論文の概要: Bones Can't Be Triangles: Accurate and Efficient Vertebrae Keypoint Estimation through Collaborative Error Revision

• arxiv url: http://arxiv.org/abs/2409.03261v1
• Date: Thu, 5 Sep 2024 06:03:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 21:40:47.921229
• Title: Bones Can't Be Triangles: Accurate and Efficient Vertebrae Keypoint Estimation through Collaborative Error Revision
• Title（参考訳）: 骨は三角形ではあり得ない:協調的誤り修正による高精度で効率的な頂点推定
• Authors: Jinhee Kim, Taesung Kim, Jaegul Choo,
• Abstract要約: KeyBotは、既存のモデルの重要な、および典型的なエラーを特定し、修正するように設計されている。 典型的なエラータイプを特徴付け、トレーニングにシミュレートされたエラーを使用することで、KeyBotはこれらのエラーを効果的に修正し、ユーザのワークロードを大幅に削減する。
• 参考スコア（独自算出の注目度）: 39.347666307218006
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Recent advances in interactive keypoint estimation methods have enhanced accuracy while minimizing user intervention. However, these methods require user input for error correction, which can be costly in vertebrae keypoint estimation where inaccurate keypoints are densely clustered or overlap. We introduce a novel approach, KeyBot, specifically designed to identify and correct significant and typical errors in existing models, akin to user revision. By characterizing typical error types and using simulated errors for training, KeyBot effectively corrects these errors and significantly reduces user workload. Comprehensive quantitative and qualitative evaluations on three public datasets confirm that KeyBot significantly outperforms existing methods, achieving state-of-the-art performance in interactive vertebrae keypoint estimation. The source code and demo video are available at: https://ts-kim.github.io/KeyBot/
• Abstract（参考訳）: 近年の対話型キーポイント推定手法の進歩により,ユーザの介入を最小限に抑えつつ精度が向上している。 しかし、これらの手法では、不正確なキーポイントが密集している場合や重複している場合、脊椎のキーポイント推定にコストがかかるエラー訂正のためにユーザ入力が必要である。 ユーザリビジョンに似た,既存モデルの重要かつ典型的なエラーを特定し,修正するための,新しいアプローチであるKeyBotを導入する。 典型的なエラータイプを特徴付け、トレーニングにシミュレートされたエラーを使用することで、KeyBotはこれらのエラーを効果的に修正し、ユーザのワークロードを大幅に削減する。 3つの公開データセットの総合的定量的および定性的な評価により、KeyBotは既存の手法を著しく上回り、インタラクティブな脊椎のキーポイント推定において最先端のパフォーマンスを達成することが確認された。 ソースコードとデモビデオは、https://ts-kim.github.io/KeyBot/.com/で公開されている。

関連論文リスト

• An Efficient Error Estimation Method in Quantum Key Distribution [5.433638656301075]
  提案手法は, 誤り推定後の正解鍵全体を保存するためのハイブリッド手法である。 eavesdropperにアクセスできるが、変更され拡張されたsiftedキーは、それをクラックする試みの回数が同じであることを保証している。
  論文  参考訳（メタデータ） (2024-11-11T17:37:20Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• MDPose: Real-Time Multi-Person Pose Estimation via Mixture Density Model [27.849059115252008]
  本稿では,人間のキーポイントの結合分布をモデル化し,一段階のインスタンス認識ポーズ推定手法を提案する。 我々のMDPoseは、人間のキーポイントの高次元の関節分布を学習し、最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-02-17T08:29:33Z)
• Class-wise and reduced calibration methods [0.0]
  キャリブレーションの削減により、元の問題をより単純なものに変換する方法を示す。 第2に,ニューラル崩壊という現象に基づいて,クラスワイドキャリブレーション手法を提案する。 この2つの手法を併用すると、予測とクラスごとの校正誤差を低減する強力なツールであるクラス単位での校正アルゴリズムが実現される。
  論文  参考訳（メタデータ） (2022-10-07T17:13:17Z)
• Is the Performance of My Deep Network Too Good to Be True? A Direct Approach to Estimating the Bayes Error in Binary Classification [86.32752788233913]
  分類問題において、ベイズ誤差は、最先端の性能を持つ分類器を評価するための基準として用いられる。 我々はベイズ誤差推定器を提案する。そこでは,クラスの不確かさを示すラベルの平均値のみを評価できる。 我々の柔軟なアプローチは、弱い教師付きデータであってもベイズ誤差を推定できる。
  論文  参考訳（メタデータ） (2022-02-01T13:22:26Z)
• BDC: Bounding-Box Deep Calibration for High Performance Face Detection [11.593495085674345]
  現代のCNNベースの顔検出器は、大きなアノテートデータセットのため、大きな進歩を遂げている。 検出信頼性が高いが、ローカライゼーション精度の低い結果が一致しないと、検出性能がさらに向上する。 本稿では,一貫性のないアノテーションをモデル予測バウンディングボックスで合理的に置き換える新しいバウンディングボックスディープ(BDC)法を提案する。
  論文  参考訳（メタデータ） (2021-10-08T04:41:41Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)
• Fast Uncertainty Quantification for Deep Object Pose Estimation [91.09217713805337]
  深層学習に基づくオブジェクトポーズ推定は、しばしば信頼できない、自信過剰である。 本研究では,6-DoFオブジェクトのポーズ推定のための,シンプルで効率的かつプラグアンドプレイなUQ手法を提案する。
  論文  参考訳（メタデータ） (2020-11-16T06:51:55Z)
• Evaluating Prediction-Time Batch Normalization for Robustness under Covariate Shift [81.74795324629712]
  我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。 予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。 この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
  論文  参考訳（メタデータ） (2020-06-19T05:08:43Z)

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。