論文の概要: PCIM: Learning Pixel Attributions via Pixel-wise Channel Isolation Mixing in High Content Imaging

• arxiv url: http://arxiv.org/abs/2412.02275v1
• Date: Tue, 03 Dec 2024 08:48:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:44:30.458858
• Title: PCIM: Learning Pixel Attributions via Pixel-wise Channel Isolation Mixing in High Content Imaging
• Title（参考訳）: PCIM:高コンテントイメージングにおける画素ワイドチャネル分離ミキシングによる画素属性の学習
• Authors: Daniel Siegismund, Mario Wieser, Stephan Heyse, Stephan Steigele,
• Abstract要約: 本研究は,画素属性マップを計算するための新しい手法である,画素ワイドチャネル分離混合(PCIM)を導入する。 PCIMは個々のピクセルを異なる入力チャネルとして扱い、混合層を訓練してこれらのピクセルを混合し、特定の分類を反映する。 このユニークなアプローチは、各画像に対するピクセル属性マップの生成を可能にするが、基礎となる分類ネットワークの選択には依存しない。
• 参考スコア（独自算出の注目度）: 1.1866227238721938
• License:
• Abstract: Deep Neural Networks (DNNs) have shown remarkable success in various computer vision tasks. However, their black-box nature often leads to difficulty in interpreting their decisions, creating an unfilled need for methods to explain the decisions, and ultimately forming a barrier to their wide acceptance especially in biomedical applications. This work introduces a novel method, Pixel-wise Channel Isolation Mixing (PCIM), to calculate pixel attribution maps, highlighting the image parts most crucial for a classification decision but without the need to extract internal network states or gradients. Unlike existing methods, PCIM treats each pixel as a distinct input channel and trains a blending layer to mix these pixels, reflecting specific classifications. This unique approach allows the generation of pixel attribution maps for each image, but agnostic to the choice of the underlying classification network. Benchmark testing on three application relevant, diverse high content Imaging datasets show state-of-the-art performance, particularly for model fidelity and localization ability in both, fluorescence and bright field High Content Imaging. PCIM contributes as a unique and effective method for creating pixel-level attribution maps from arbitrary DNNs, enabling interpretability and trust.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、様々なコンピュータビジョンタスクにおいて顕著な成功を収めている。 しかしながら、ブラックボックスの性質は、意思決定の解釈を困難にし、意思決定を説明する方法の不足を生じさせ、最終的には、特に医学的応用において広く受け入れられる障壁を形成する。 本研究は, 画素属性マップを計算し, 内部ネットワーク状態や勾配を抽出する必要がなく, 分類決定において最も重要な画像部品を強調表示する新しい手法であるPCIM( Pixel-wise Channel isolation Mixing)を導入する。 既存の方法とは異なり、PCIMは個々のピクセルを異なる入力チャネルとして扱い、これらのピクセルを混合するためにブレンディング層を訓練し、特定の分類を反映している。 このユニークなアプローチは、各画像に対するピクセル属性マップの生成を可能にするが、基礎となる分類ネットワークの選択には依存しない。 3つのアプリケーションに関するベンチマークテストでは、多種多様な高コンテンツイメージングデータセットが最先端のパフォーマンスを示し、特に蛍光と明るい領域の高コンテンツイメージングにおけるモデル忠実度と局所化能力を示している。 PCIMは、任意のDNNから画素レベルの属性マップを作成するためのユニークで効果的な方法として貢献し、解釈可能性と信頼を可能にする。

関連論文リスト

• Exploring Multi-view Pixel Contrast for General and Robust Image Forgery Localization [4.8454936010479335]
  本稿では,画像フォージェリーローカライゼーションのための多視点Pixel-wise Contrastive Algorithm (MPC)を提案する。 具体的には、まず、教師付きコントラスト損失を伴うバックボーンネットワークを事前訓練する。 次に、クロスエントロピー損失を用いてローカライゼーションヘッドを微調整し、ピクセルローカライザを改良する。
  論文  参考訳（メタデータ） (2024-06-19T13:51:52Z)
• Learning Invariant Inter-pixel Correlations for Superpixel Generation [12.605604620139497]
  学習可能な特徴は、制約付き判別能力を示し、不満足なピクセルグループ化性能をもたらす。 本稿では,不変画素間相関と統計特性を選択的に分離するContentangle Superpixelアルゴリズムを提案する。 4つのベンチマークデータセットの実験結果は、既存の最先端手法に対するアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2024-02-28T09:46:56Z)
• Pixel-Inconsistency Modeling for Image Manipulation Localization [59.968362815126326]
  デジタル画像法医学は、画像認証と操作のローカライゼーションにおいて重要な役割を果たす。 本稿では,画素不整合アーチファクトの解析を通じて,一般化されたロバストな操作ローカライゼーションモデルを提案する。 実験により,本手法は固有の画素不整合偽指紋を抽出することに成功した。
  論文  参考訳（メタデータ） (2023-09-30T02:54:51Z)
• Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
  人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。 本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。 ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-08-04T10:28:48Z)
• Towards Generalizable Medical Image Segmentation with Pixel-wise Uncertainty Estimation [5.415458419290347]
  ディープニューラルネットワーク(DNN)は、独立および同一分散(IID)仮説の下で、視覚認識において有望な性能を達成する。 IID仮説は多くの現実世界、特に医用画像解析において普遍的に保証されていない。 そこで本稿では,不確実性推定を利用してDNNのハード・ツー・クラス化画素をハイライトするフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-13T10:09:40Z)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• Image Inpainting with Edge-guided Learnable Bidirectional Attention Maps [85.67745220834718]
  不規則な穴の画像インペインティングを改善するためのエッジガイド学習可能な双方向注意マップ(Edge-LBAM)を紹介します。 当社のEdge-LBAMメソッドには、予測エッジによる構造認識マスク更新を含むデュアルプロシージャが含まれています。 広範な実験により,エッジlbamはコヒーレントな画像構造を生成し,色差やぼやけを防止できることがわかった。
  論文  参考訳（メタデータ） (2021-04-25T07:25:16Z)
• AINet: Association Implantation for Superpixel Segmentation [82.21559299694555]
  今回提案する新しいtextbfAssociation textbfImplantation(AI)モジュールは、ネットワークがピクセルとその周辺グリッド間の関係を明示的にキャプチャすることを可能にする。 本手法は最先端性能を実現するだけでなく,十分な推論効率を維持することができた。
  論文  参考訳（メタデータ） (2021-01-26T10:40:13Z)
• Gigapixel Histopathological Image Analysis using Attention-based Neural Networks [7.1715252990097325]
  圧縮経路と学習経路からなるCNN構造を提案する。 本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
  論文  参考訳（メタデータ） (2021-01-25T10:18:52Z)

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。