論文の概要: Image Segmentation via Variational Model Based Tailored UNet: A Deep Variational Framework
- arxiv url: http://arxiv.org/abs/2505.05806v1
- Date: Fri, 09 May 2025 05:50:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-12 20:40:10.168457
- Title: Image Segmentation via Variational Model Based Tailored UNet: A Deep Variational Framework
- Title（参考訳）: 変分モデルに基づく階層型UNetによる画像分割:深部変分フレームワーク
- Authors: Kaili Qi, Wenli Yang, Ye Li, Zhongyi Huang,
- Abstract要約: 画像セグメンテーションのための変分モデルに基づくTalored UNet(VM_TUNet)を提案する。
VM_TUNetは、変分法の解釈可能性とエッジ保存特性をニューラルネットワークの適応的特徴学習と組み合わせている。
既存のアプローチと比較して,VM_TUNetはセグメンテーション性能が優れていることを示す。
- 参考スコア（独自算出の注目度）: 6.146992603795658
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional image segmentation methods, such as variational models based on partial differential equations (PDEs), offer strong mathematical interpretability and precise boundary modeling, but often suffer from sensitivity to parameter settings and high computational costs. In contrast, deep learning models such as UNet, which are relatively lightweight in parameters, excel in automatic feature extraction but lack theoretical interpretability and require extensive labeled data. To harness the complementary strengths of both paradigms, we propose Variational Model Based Tailored UNet (VM_TUNet), a novel hybrid framework that integrates the fourth-order modified Cahn-Hilliard equation with the deep learning backbone of UNet, which combines the interpretability and edge-preserving properties of variational methods with the adaptive feature learning of neural networks. Specifically, a data-driven operator is introduced to replace manual parameter tuning, and we incorporate the tailored finite point method (TFPM) to enforce high-precision boundary preservation. Experimental results on benchmark datasets demonstrate that VM_TUNet achieves superior segmentation performance compared to existing approaches, especially for fine boundary delineation.
- Abstract（参考訳）: 偏微分方程式(PDE)に基づく変分モデル(英語版)のような従来の画像分割法は、強い数学的解釈可能性と正確な境界モデリングを提供するが、しばしばパラメータ設定に対する感度と高い計算コストに悩まされる。
対照的に、パラメータが比較的軽量なUNetのようなディープラーニングモデルは、自動的な特徴抽出に優れ、理論的解釈性に欠け、広範なラベル付きデータを必要とする。
両パラダイムの相補的強みを活用するために,変分モデルベーステーラー付きUNet(VM_TUNet)を提案する。これは,変分手法の解釈性とエッジ保存性をニューラルネットワークの適応的特徴学習と組み合わせた,4階修正Cahn-Hilliard方程式とUNetのディープラーニングバックボーンを統合した,新しいハイブリッドフレームワークである。
具体的には、手動パラメータチューニングを置き換えるためにデータ駆動演算子を導入し、高精度な境界保存を実現するために、調整有限点法(TFPM)を組み込む。
ベンチマークデータセットによる実験結果から,VM_TUNet は既存の手法,特に境界の微細化に比較して,セグメンテーション性能が優れていることが示された。
関連論文リスト
- SMILE: Zero-Shot Sparse Mixture of Low-Rank Experts Construction From Pre-Trained Foundation Models [85.67096251281191]
我々は、ゼロショットスパースミクチャー(SMILE)と呼ばれるモデル融合に対する革新的なアプローチを提案する。
SMILEは、余分なデータやさらなるトレーニングなしに、ソースモデルをMoEモデルにアップスケーリングできる。
画像分類やテキスト生成タスクなど,さまざまなシナリオに対して,フル微調整とLoRA微調整を用いて広範な実験を行う。
論文 参考訳（メタデータ） (2024-08-19T17:32:15Z) - Classification of High-dimensional Time Series in Spectral Domain using Explainable Features [8.656881800897661]
本稿では,高次元定常時系列を分類するためのモデルに基づくアプローチを提案する。
我々のアプローチはモデルパラメータの解釈可能性を強調し、神経科学のような分野に特に適している。
我々の手法の新規性は、モデルパラメータの解釈可能性にあり、神経科学における重要なニーズに対処する。
論文 参考訳（メタデータ） (2024-08-15T19:10:12Z) - Ensemble Kalman Filtering Meets Gaussian Process SSM for Non-Mean-Field and Online Inference [47.460898983429374]
我々は,非平均場(NMF)変動推定フレームワークにアンサンブルカルマンフィルタ(EnKF)を導入し,潜在状態の後方分布を近似する。
EnKFとGPSSMのこの新しい結婚は、変分分布の学習における広範なパラメータ化の必要性をなくすだけでなく、エビデンスの下限(ELBO)の解釈可能でクローズドな近似を可能にする。
得られたEnKF支援オンラインアルゴリズムは、データ適合精度を確保しつつ、モデル正規化を組み込んで過度適合を緩和し、目的関数を具現化する。
論文 参考訳（メタデータ） (2023-12-10T15:22:30Z) - Active-Learning-Driven Surrogate Modeling for Efficient Simulation of
Parametric Nonlinear Systems [0.0]
支配方程式がなければ、パラメトリック還元次代理モデルを非侵襲的に構築する必要がある。
我々の研究は、パラメータのスナップショットを効率的に表示するための非侵入的最適性基準を提供する。
カーネルベースの浅層ニューラルネットワークを用いた能動的学習駆動サロゲートモデルを提案する。
論文 参考訳（メタデータ） (2023-06-09T18:01:14Z) - On the Influence of Enforcing Model Identifiability on Learning dynamics
of Gaussian Mixture Models [14.759688428864159]
特異モデルからサブモデルを抽出する手法を提案する。
本手法はトレーニング中のモデルの識別性を強制する。
この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
論文 参考訳（メタデータ） (2022-06-17T07:50:22Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳（メタデータ） (2022-03-23T12:52:49Z) - Learning to Refit for Convex Learning Problems [11.464758257681197]
ニューラルネットワークを用いて、異なるトレーニングセットに対して最適化されたモデルパラメータを推定するフレームワークを提案する。
我々は、凸問題を近似するためにニューラルネットワークのパワーを厳格に特徴づける。
論文 参考訳（メタデータ） (2021-11-24T15:28:50Z) - Deep Conditional Transformation Models [0.0]
特徴集合上の結果変数条件の累積分布関数(CDF)を学習することは依然として困難である。
条件変換モデルは、条件付きCDFの大規模なクラスをモデル化できる半パラメトリックなアプローチを提供する。
我々は,新しいネットワークアーキテクチャを提案し,異なるモデル定義の詳細を提供し,適切な制約を導出する。
論文 参考訳（メタデータ） (2020-10-15T16:25:45Z)
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。