論文の概要: Tiling artifacts and trade-offs of feature normalization in the segmentation of large biological images

• arxiv url: http://arxiv.org/abs/2503.19545v1
• Date: Tue, 25 Mar 2025 11:00:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 16:55:18.670999
• Title: Tiling artifacts and trade-offs of feature normalization in the segmentation of large biological images
• Title（参考訳）: 大型生物画像の分画における特徴正規化の成因とトレードオフ
• Authors: Elena Buglakova, Anwai Archit, Edoardo D'Imprima, Julia Mahamid, Constantin Pape, Anna Kreshuk,
• Abstract要約: 本研究では,正規化問題を検出する指標を提案し,人工物フリーと高品質の予測のトレードオフを探究する。 BatchRenormは、ティリングアーティファクトを効果的に削除し、転送パフォーマンスを向上させる、最も適切な正規化戦略である。
• 参考スコア（独自算出の注目度）: 4.325216877418699
• License:
• Abstract: Segmentation of very large images is a common problem in microscopy, medical imaging or remote sensing. The problem is usually addressed by sliding window inference, which can theoretically lead to seamlessly stitched predictions. However, in practice many of the popular pipelines still suffer from tiling artifacts. We investigate the root cause of these issues and show that they stem from the normalization layers within the neural networks. We propose indicators to detect normalization issues and further explore the trade-offs between artifact-free and high-quality predictions, using three diverse microscopy datasets as examples. Finally, we propose to use BatchRenorm as the most suitable normalization strategy, which effectively removes tiling artifacts and enhances transfer performance, thereby improving the reusability of trained networks for new datasets.
• Abstract（参考訳）: 非常に大きな画像のセグメンテーションは、顕微鏡、医療画像、リモートセンシングにおいて一般的な問題である。 この問題は、理論上はシームレスに縫合された予測に繋がる、スライディングウインドウ推論によって対処される。 しかし、実際には、人気のあるパイプラインの多くは、いまだに疲れる人工物に悩まされている。 これらの問題の根本原因について検討し、ニューラルネットワーク内の正規化層に由来することを示す。 本稿では,3種類の顕微鏡データセットを例として,正規化問題を検出する指標を提案し,アーティファクトフリーと高品質の予測のトレードオフについて検討する。 最後に,階層化アーティファクトを効果的に除去し,転送性能を向上し,新たなデータセットに対するトレーニングネットワークの再利用性を向上させるため,BatchRenormを最も適した正規化戦略として使用することを提案する。

関連論文リスト

• Inpainting Normal Maps for Lightstage data [3.1002416427168304]
  本研究では,GAN(Generative Adversarial Network)を用いた正規地図の塗装手法を提案する。 提案手法は,弓ネクタイ型ジェネレータネットワークと識別器ネットワークを併用し,トレーニングフェーズを交互に行うことによって,従来の一般的な画像塗装技術を拡張した。 提案手法は,高性能でリアルな塗布された正規地図を効果的に生成し,性能評価に適していることが示唆された。
  論文  参考訳（メタデータ） (2024-01-16T03:59:07Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• GIT: Detecting Uncertainty, Out-Of-Distribution and Adversarial Samples using Gradients and Invariance Transformations [77.34726150561087]
  本稿では,ディープニューラルネットワークにおける一般化誤差検出のための総合的アプローチを提案する。 GITは勾配情報と不変変換の利用を組み合わせる。 本実験は,各種ネットワークアーキテクチャの最先端技術と比較して,GITの優れた性能を示すものである。
  論文  参考訳（メタデータ） (2023-07-05T22:04:38Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• MLF-SC: Incorporating multi-layer features to sparse coding for anomaly detection [2.2276675054266395]
  画像の異常は、カーペットの上の小さな穴から大きな汚れまで、様々なスケールで発生する。 広く使われている異常検出方法の1つであるスパースコーディング(sparse coding)は、画像のスパース表現に使用されるパッチサイズから外れた異常を扱う際に問題となる。 本稿では,マルチスケール機能をスパース符号化に取り入れ,異常検出の性能を向上させることを提案する。
  論文  参考訳（メタデータ） (2021-04-09T10:20:34Z)
• Multiresolution Knowledge Distillation for Anomaly Detection [10.799350080453982]
  教師なし表現学習は、画像における異常検出/局所化の重要な構成要素であることが証明されている。 サンプルサイズは、従来の手法でリッチな一般化可能な表現を学ぶのに十分な大きさではないことが多い。 本稿では、ImageNetで事前訓練された各種ネットワークの「蒸留」機能を用いて、両方の問題に対処する簡易なクローンネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-22T21:16:35Z)
• An Effective Anti-Aliasing Approach for Residual Networks [27.962502376542588]
  周波数エイリアス(英: Frequency aliasing)とは、画像や特徴マップなどの信号のサブサンプリング時に発生する現象であり、サブサンプリング出力の歪みを引き起こす。 トレーニング不能なぼかしフィルタを配置し,キー位置でスムーズなアクティベーション関数を用いることで,この効果を緩和できることを示す。 これらの単純なアーキテクチャ変更は、ImageNet-C上の自然な汚職による画像分類とMeta-Datasetでの少数ショット学習の両方において、アウト・オブ・ディストリビューションの一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2020-11-20T22:55:57Z)
• Same Same But DifferNet: Semi-Supervised Defect Detection with Normalizing Flows [24.734388664558708]
  畳み込みニューラルネットワークによって抽出された特徴の記述性を利用して、その密度を推定する。 これらの可能性に基づいて、欠陥を示すスコアリング関数を開発する。 本稿では,新しいMVTec ADとMagnetic Tile Defectsデータセットに対する既存のアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-08-28T10:49:28Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)
• Image Fine-grained Inpainting [89.17316318927621]
  拡張畳み込みの密結合を利用してより大きく効果的な受容場を得る一段階モデルを提案する。 この効率的なジェネレータをよく訓練するために、頻繁に使用されるVGG特徴整合損失を除いて、新しい自己誘導回帰損失を設計する。 また、局所的・グローバルな分枝を持つ識別器を用いて、局所的・グローバルな内容の整合性を確保する。
  論文  参考訳（メタデータ） (2020-02-07T03:45:25Z)

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。