論文の概要: Multi-level Cellular Automata for FLIM networks

• arxiv url: http://arxiv.org/abs/2504.11406v1
• Date: Tue, 15 Apr 2025 17:22:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:11:36.611904
• Title: Multi-level Cellular Automata for FLIM networks
• Title（参考訳）: FLIMネットワークのためのマルチレベルセルオートマタ
• Authors: Felipe Crispim Salvagnini, Jancarlo F. Gomes, Cid A. N. Santos, Silvio Jamil F. Guimarães, Alexandre X. Falcão,
• Abstract要約: 本稿では,深層学習のための新たなアプローチを提案する。 現代技術と古典技術を組み合わせて、競争力を維持する。 我々は,本手法が深部SOD文学において確立されたモデルと競合することを示す。
• 参考スコア（独自算出の注目度）: 40.83004529604423
• License:
• Abstract: The necessity of abundant annotated data and complex network architectures presents a significant challenge in deep-learning Salient Object Detection (deep SOD) and across the broader deep-learning landscape. This challenge is particularly acute in medical applications in developing countries with limited computational resources. Combining modern and classical techniques offers a path to maintaining competitive performance while enabling practical applications. Feature Learning from Image Markers (FLIM) methodology empowers experts to design convolutional encoders through user-drawn markers, with filters learned directly from these annotations. Recent findings demonstrate that coupling a FLIM encoder with an adaptive decoder creates a flyweight network suitable for SOD, requiring significantly fewer parameters than lightweight models and eliminating the need for backpropagation. Cellular Automata (CA) methods have proven successful in data-scarce scenarios but require proper initialization -- typically through user input, priors, or randomness. We propose a practical intersection of these approaches: using FLIM networks to initialize CA states with expert knowledge without requiring user interaction for each image. By decoding features from each level of a FLIM network, we can initialize multiple CAs simultaneously, creating a multi-level framework. Our method leverages the hierarchical knowledge encoded across different network layers, merging multiple saliency maps into a high-quality final output that functions as a CA ensemble. Benchmarks across two challenging medical datasets demonstrate the competitiveness of our multi-level CA approach compared to established models in the deep SOD literature.
• Abstract（参考訳）: 豊富な注釈付きデータと複雑なネットワークアーキテクチャの必要性は、ディープラーニングのSalient Object Detection(ディープSOD)と、より広いディープラーニングのランドスケープにまたがる重要な課題を示している。 この課題は、限られた計算資源を持つ発展途上国の医療応用において特に深刻である。 現代技術と古典技術の組み合わせは、実用的な応用を可能にしながら競争力を維持するための道筋を提供する。 FLIM(Feature Learning from Image Markers)の方法論は、ユーザが書いたマーカーを使って畳み込みエンコーダを設計し、これらのアノテーションから直接フィルタを学習する。 近年の研究では、FLIMエンコーダと適応デコーダを結合することで、SODに適したフライウェイトネットワークが作成され、軽量モデルよりもパラメータが大幅に少なくなり、バックプロパゲーションの必要がなくなることが示されている。 セルラーオートマタ(CA)法は、データ共有シナリオで成功したが、適切な初期化を必要とする。 FLIMネットワークを用いて、各画像に対するユーザインタラクションを必要とせず、専門家の知識でCA状態を初期化する。 FLIMネットワークの各レベルから機能をデコードすることで、複数のCAを同時に初期化して、マルチレベルフレームワークを作成することができる。 提案手法では,異なるネットワーク層にまたがって符号化された階層的知識を活用し,複数のサリエンシマップをCAアンサンブルとして機能する高品質な最終出力にマージする。 2つの挑戦的な医療データセットのベンチマークは、深いSOD文献の確立されたモデルと比較して、我々のマルチレベルCAアプローチの競争力を示している。

関連論文リスト

• MiniMaxAD: A Lightweight Autoencoder for Feature-Rich Anomaly Detection [1.7234530131333607]
  MiniMaxADは、通常の画像から広範囲の情報を効率よく圧縮・記憶する軽量オートエンコーダである。 このモデルでは,特徴量の多様性を向上し,ネットワークの有効容量を増大させる手法を採用している。 提案手法では,機能豊富な異常検出の枠組みの下で任意のデータセットを統一することができる。
  論文  参考訳（メタデータ） (2024-05-16T09:37:54Z)
• Building Brain Tumor Segmentation Networks with User-Assisted Filter Estimation and Selection [42.62139206176152]
  複数のFLIM実行から最も関連性の高いフィルタを推定・選択するためのユーザ支援手法であるMulti-Step (MS) FLIMを提案する。 MS-FLIMは第1の畳み込み層にのみ使用され、既にFLIMよりも改善されていることを示している。 We build a simple U-shaped encoder-decoder network, named sU-Net, for glioblastoma segmentation using T1Gd and FLAIR MRI scans。
  論文  参考訳（メタデータ） (2024-03-19T14:11:26Z)
• Unifying Synergies between Self-supervised Learning and Dynamic Computation [53.66628188936682]
  SSLとDCのパラダイム間の相互作用に関する新しい視点を提示する。 SSL設定において、スクラッチから高密度かつゲートされたサブネットワークを同時に学習することは可能であることを示す。 密集エンコーダとゲートエンコーダの事前学習における共進化は、良好な精度と効率のトレードオフをもたらす。
  論文  参考訳（メタデータ） (2023-01-22T17:12:58Z)
• Multi-scale and Cross-scale Contrastive Learning for Semantic Segmentation [5.281694565226513]
  セグメンテーションネットワークによって抽出されたマルチスケール特徴の識別能力を高めるために,コントラスト学習を適用した。 まず、エンコーダのマルチスケール表現を共通の特徴空間にマッピングすることにより、教師付き局所言語制約の新しい形式をインスタンス化する。
  論文  参考訳（メタデータ） (2022-03-25T01:24:24Z)
• PDFNet: Pointwise Dense Flow Network for Urban-Scene Segmentation [0.0]
  我々はポイントワイド高密度フローネットワーク(PDFNet)という新しい軽量アーキテクチャを提案する。 PDFNetでは、ネットワークのすべての部分へのスムーズな勾配流を可能にするために、密集、残留、複数ショートカット接続を使用します。 提案手法は,小規模なクラスや少数のデータレギュレーションにおいて,ベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2021-09-21T10:39:46Z)
• All at Once Network Quantization via Collaborative Knowledge Transfer [56.95849086170461]
  オールオンス量子化ネットワークを効率的にトレーニングするための新しい共同知識伝達アプローチを開発しています。 具体的には、低精度の学生に知識を伝達するための高精度のエンクォータを選択するための適応的選択戦略を提案する。 知識を効果的に伝達するために,低精度の学生ネットワークのブロックを高精度の教師ネットワークのブロックにランダムに置き換える動的ブロックスワッピング法を開発した。
  論文  参考訳（メタデータ） (2021-03-02T03:09:03Z)
• A Holistically-Guided Decoder for Deep Representation Learning with Applications to Semantic Segmentation and Object Detection [74.88284082187462]
  一般的な戦略の1つは、バックボーンネットワークに拡張畳み込みを採用し、高解像度のフィーチャーマップを抽出することです。 本稿では,高分解能なセマンティクスリッチな特徴マップを得るために紹介される,新たなホリスティック誘導デコーダを提案する。
  論文  参考訳（メタデータ） (2020-12-18T10:51:49Z)
• ALF: Autoencoder-based Low-rank Filter-sharing for Efficient Convolutional Neural Networks [63.91384986073851]
  オートエンコーダを用いた低ランクフィルタ共有技術(ALF)を提案する。 ALFは、ネットワークパラメータの70%、オペレーションの61%、実行時間の41%を削減し、精度の低下を最小限にしている。
  論文  参考訳（メタデータ） (2020-07-27T09:01:22Z)
• One-Shot Object Detection without Fine-Tuning [62.39210447209698]
  本稿では,第1ステージのMatching-FCOSネットワークと第2ステージのStructure-Aware Relation Moduleからなる2段階モデルを提案する。 また,検出性能を効果的に向上する新たなトレーニング戦略を提案する。 提案手法は,複数のデータセット上で一貫した最先端のワンショット性能を上回る。
  論文  参考訳（メタデータ） (2020-05-08T01:59:23Z)

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。