論文の概要: IAUNet: Instance-Aware U-Net

• arxiv url: http://arxiv.org/abs/2508.01928v1
• Date: Sun, 03 Aug 2025 21:36:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-05 20:32:48.71905
• Title: IAUNet: Instance-Aware U-Net
• Title（参考訳）: IAUNet: インスタンス対応のU-Net
• Authors: Yaroslav Prytula, Illia Tsiporenko, Ali Zeynalli, Dmytro Fishman,
• Abstract要約: IAUNetは、インスタンスセグメンテーションのための新しいクエリベースのU-Netアーキテクチャである。 IAUNetは, 完全畳み込み, トランスフォーマーベース, 問合せベースのモデル, セルセグメンテーション固有のモデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.9249287163937978
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Instance segmentation is critical in biomedical imaging to accurately distinguish individual objects like cells, which often overlap and vary in size. Recent query-based methods, where object queries guide segmentation, have shown strong performance. While U-Net has been a go-to architecture in medical image segmentation, its potential in query-based approaches remains largely unexplored. In this work, we present IAUNet, a novel query-based U-Net architecture. The core design features a full U-Net architecture, enhanced by a novel lightweight convolutional Pixel decoder, making the model more efficient and reducing the number of parameters. Additionally, we propose a Transformer decoder that refines object-specific features across multiple scales. Finally, we introduce the 2025 Revvity Full Cell Segmentation Dataset, a unique resource with detailed annotations of overlapping cell cytoplasm in brightfield images, setting a new benchmark for biomedical instance segmentation. Experiments on multiple public datasets and our own show that IAUNet outperforms most state-of-the-art fully convolutional, transformer-based, and query-based models and cell segmentation-specific models, setting a strong baseline for cell instance segmentation tasks. Code is available at https://github.com/SlavkoPrytula/IAUNet
• Abstract（参考訳）: サンプルセグメンテーションは、しばしば重複しサイズが変化する細胞のような個々の物体を正確に識別するために、バイオメディカルイメージングにおいて重要である。 オブジェクトクエリがセグメンテーションをガイドする最近のクエリベースの手法は、高いパフォーマンスを示している。 U-Netは、医用画像セグメンテーションにおけるゴーツーアーキテクチャであるが、クエリベースのアプローチの可能性は、まだ明らかになっていない。 本稿では,新しいクエリベースのU-NetアーキテクチャであるIAUNetを紹介する。 コア設計は、新しい軽量な畳み込みPixelデコーダによって強化された完全なU-Netアーキテクチャを備えており、モデルをより効率的にし、パラメータの数を削減している。 さらに,複数のスケールでオブジェクト固有の機能を洗練するTransformerデコーダを提案する。 最後に,2025 Revvity Full Cell Segmentation Datasetを紹介した。これは,生物医学的インスタンスセグメンテーションのための新しいベンチマークを,蛍光画像に重複する細胞質の詳細なアノテーションを付加したユニークなリソースである。 複数の公開データセットと私たち自身の実験によると、IAUNetは、ほとんどの最先端の完全畳み込み、トランスフォーマーベース、クエリベースのモデルとセルセグメンテーション固有のモデルより優れており、セルインスタンスセグメンテーションタスクの強力なベースラインが設定されている。 コードはhttps://github.com/SlavkoPrytula/IAUNetで入手できる。

関連論文リスト

• A Large-Scale Referring Remote Sensing Image Segmentation Dataset and Benchmark [8.707197692292292]
  これまでで最も大きく多様なRRSISデータセットであるNWPU-Referを導入し、49,745個の注釈付きターゲットを持つ30か国にまたがる15,003個の高解像度画像(1024-2048px)を含む。 また、RRSISのユニークな要求に対応する新しいフレームワークであるMulti-scale Referring Network (MRSNet)を提案する。
  論文  参考訳（メタデータ） (2025-06-04T05:26:51Z)
• Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
  医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2024-09-19T07:28:33Z)
• OMG-Seg: Is One Model Good Enough For All Segmentation? [83.17068644513144]
  OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。 OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T18:59:34Z)
• EurNet: Efficient Multi-Range Relational Modeling of Spatial Multi-Relational Data [65.56348668962343]
  マルチレンジ・リレーショナル・モデリングのためのEurNetを提案する。 EurNetは、各タイプのエッジが短距離、中距離、長距離の空間的相互作用に対応するマルチリレーショナルグラフを構築する。 画像およびタンパク質構造モデリングにおいて,EurNetsを2つの重要な領域で研究する。
  論文  参考訳（メタデータ） (2022-11-23T13:24:36Z)
• Associating Objects with Transformers for Video Object Segmentation [74.51719591192787]
  本稿では,複数のオブジェクトを一様に一致・復号化するためのAssociating Objects with Transformers (AOT)アプローチを提案する。 AOTは複数のターゲットを同一の高次元埋め込み空間に関連付けるための識別機構を用いる。 第3回大規模ビデオオブジェクトチャレンジでは1位にランクインした。
  論文  参考訳（メタデータ） (2021-06-04T17:59:57Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• The Little W-Net That Could: State-of-the-Art Retinal Vessel Segmentation with Minimalistic Models [19.089445797922316]
  数桁のパラメータが桁違いに少ない標準U-Netのミニマリストバージョンが、現在のベストプラクティスの性能を近似していることを示す。 また,W-Netと呼ばれる単純な拡張も提案する。 また、Artery/Veinセグメンテーション問題にもアプローチを試行し、その結果を最先端技術に整合させる。
  論文  参考訳（メタデータ） (2020-09-03T19:59:51Z)
• Improving Semantic Segmentation via Decoupled Body and Edge Supervision [89.57847958016981]
  既存のセグメンテーションアプローチは、グローバルコンテキストをモデル化することでオブジェクトの内部の一貫性を改善すること、あるいはマルチスケールの特徴融合によって境界に沿ったオブジェクトの詳細を洗練することを目的としている。 本稿では,セマンティックセグメンテーションのための新しいパラダイムを提案する。 我々の洞察は、セマンティックセグメンテーションの魅力ある性能には、画像の高頻度と低頻度に対応するオブジェクトのテキストボディとテキストエッジを具体的にモデル化する必要があるということである。 さまざまなベースラインやバックボーンネットワークを備えた提案したフレームワークが,オブジェクト内部の一貫性とオブジェクト境界を向上させることを示す。
  論文  参考訳（メタデータ） (2020-07-20T12:11:22Z)
• Few-Shot Microscopy Image Cell Segmentation [15.510258960276083]
  顕微鏡画像におけるセルの自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。 本稿では,細胞を分割し,セグメント化結果を分類境界から切り離すための3つの目的関数の組み合わせを提案する。 5つの公開データベースに対する実験は、1ショットから10ショットのメタラーニングによる有望な結果を示している。
  論文  参考訳（メタデータ） (2020-06-29T12:12:10Z)
• DoubleU-Net: A Deep Convolutional Neural Network for Medical Image Segmentation [1.6416058750198184]
  DoubleU-Netは2つのU-Netアーキテクチャの組み合わせである。 4つの医用セグメンテーションデータセットを用いてDoubleU-Netを評価した。
  論文  参考訳（メタデータ） (2020-06-08T18:38:24Z)

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。