論文の概要: Perspectives: Comparison of Deep Learning Segmentation Models on Biophysical and Biomedical Data

• arxiv url: http://arxiv.org/abs/2408.07786v1
• Date: Wed, 14 Aug 2024 19:49:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 15:38:42.392358
• Title: Perspectives: Comparison of Deep Learning Segmentation Models on Biophysical and Biomedical Data
• Title（参考訳）: バイオ物理・バイオメディカルデータを用いた深層学習セグメンテーションモデルの比較
• Authors: J Shepard Bryan IV, Meyam Tavakoli, Steve Presse,
• Abstract要約: 畳み込みニューラルネットワーク、U-Net、ビジョントランスフォーマー、ビジョン状態空間モデルを比較した。 そこで我々は,各モデルが排他的である最適条件を決定するための基準を確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning based approaches are now widely used across biophysics to help automate a variety of tasks including image segmentation, feature selection, and deconvolution. However, the presence of multiple competing deep learning architectures, each with its own unique advantages and disadvantages, makes it challenging to select an architecture best suited for a specific application. As such, we present a comprehensive comparison of common models. Here, we focus on the task of segmentation assuming the typically small training dataset sizes available from biophysics experiments and compare the following four commonly used architectures: convolutional neural networks, U-Nets, vision transformers, and vision state space models. In doing so, we establish criteria for determining optimal conditions under which each model excels, thereby offering practical guidelines for researchers and practitioners in the field.
• Abstract（参考訳）: ディープラーニングベースのアプローチは、画像のセグメンテーション、特徴選択、デコンボリューションなど、さまざまなタスクを自動化するために、バイオ物理学で広く使用されている。 しかし、複数の競合するディープラーニングアーキテクチャの存在は、それぞれ独自のアドバンテージとデメリットを持っているため、特定のアプリケーションに最も適したアーキテクチャを選択することは困難である。 そこで本研究では,共通モデルの包括的比較について述べる。 ここでは,生物物理学実験から得られる,典型的に小さなトレーニングデータセットのサイズを前提としたセグメンテーションの課題に着目し,畳み込みニューラルネットワーク,U-Net,ビジョントランスフォーマー,ビジョン状態空間モデルという,一般的な4つのアーキテクチャを比較した。 そこで我々は,各モデルが優れている最適条件を決定するための基準を確立し,この分野の研究者や実践者に対して実践的なガイドラインを提供する。

関連論文リスト

• Probing Fine-Grained Action Understanding and Cross-View Generalization of Foundation Models [13.972809192907931]
  ファンデーションモデル(FM)は、広いデータセットでトレーニングされた大規模なニューラルネットワークである。 ビデオにおける人間の活動認識は、異なるアーキテクチャ間の競争によって駆動されるFMによって進歩している。 本稿では,視線変化が人体活動認識の微粒化における異なるFMに与える影響を実験的に評価する。
  論文  参考訳（メタデータ） (2024-07-22T12:59:57Z)
• Benchmarking Retinal Blood Vessel Segmentation Models for Cross-Dataset and Cross-Disease Generalization [5.237321836999284]
  公開されているFIVESファウンダスイメージデータセット上で,5つの公開モデルをトレーニングし,評価する。 画像の品質がセグメンテーションの結果を決定する重要な要因であることがわかった。
  論文  参考訳（メタデータ） (2024-06-21T09:12:34Z)
• Deep Learning-based Bio-Medical Image Segmentation using UNet Architecture and Transfer Learning [0.0]
  我々は,UNetアーキテクチャをスクラッチから実装し,バイオメディカル画像データセットの性能を評価する。 変換学習モデルは、スクラッチから実装されたUNetモデルよりも、画像セグメンテーションにおいて優れた性能を有することを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:45:54Z)
• Multi-domain learning CNN model for microscopy image classification [3.2835754110596236]
  顕微鏡画像の分類のためのマルチドメイン学習アーキテクチャを提案する。 計算集約的な従来の方法とは異なり、Mobincepと呼ばれるコンパクトモデルを開発した。 最先端の結果を超え、ラベル付きデータに対して堅牢である。
  論文  参考訳（メタデータ） (2023-04-20T19:32:23Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Current Trends in Deep Learning for Earth Observation: An Open-source Benchmark Arena for Image Classification [7.511257876007757]
  AiTLAS: Benchmark Arena"は、画像分類のための最先端のディープラーニングアプローチを評価するための、オープンソースのベンチマークフレームワークである。 本稿では,9種類の最先端アーキテクチャから派生した400以上のモデルについて,包括的比較分析を行った。
  論文  参考訳（メタデータ） (2022-07-14T20:18:58Z)
• HyperImpute: Generalized Iterative Imputation with Automatic Model Selection [77.86861638371926]
  カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。 既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
  論文  参考訳（メタデータ） (2022-06-15T19:10:35Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• Deep Multimodal Neural Architecture Search [178.35131768344246]
  様々なマルチモーダル学習タスクのための一般化された深層マルチモーダルニューラルアーキテクチャサーチ(MMnas)フレームワークを考案する。 マルチモーダル入力が与えられたら、まずプリミティブ演算のセットを定義し、その後、ディープエンコーダ-デコーダベースの統一バックボーンを構築する。 統合されたバックボーンの上にタスク固有のヘッドをアタッチして、異なるマルチモーダル学習タスクに取り組む。
  論文  参考訳（メタデータ） (2020-04-25T07:00:32Z)
• Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
  イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。 深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
  論文  参考訳（メタデータ） (2020-01-15T21:37:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。