論文の概要: Does the Skeleton-Recall Loss Really Work?

• arxiv url: http://arxiv.org/abs/2508.11374v1
• Date: Fri, 15 Aug 2025 10:16:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-18 14:51:23.849435
• Title: Does the Skeleton-Recall Loss Really Work?
• Title（参考訳）: スケルトン・リコールの損失は本当にうまくいくのか?
• Authors: Devansh Arora, Nitin Kumar, Sukrit Gupta,
• Abstract要約: Kirchhoffらによって提案されたSkeleton Recall Loss (SRL) は、ベンチマーク管状データセットで最先端の結果を生成することが述べられた。 本研究では,SRL損失の勾配に関する理論的解析を行った。 SRLベースセグメンテーションモデルの性能は,従来のベースラインモデルを超えなかった。
• 参考スコア（独自算出の注目度）: 10.862430265350804
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Image segmentation is an important and widely performed task in computer vision. Accomplishing effective image segmentation in diverse settings often requires custom model architectures and loss functions. A set of models that specialize in segmenting thin tubular structures are topology preservation-based loss functions. These models often utilize a pixel skeletonization process claimed to generate more precise segmentation masks of thin tubes and better capture the structures that other models often miss. One such model, Skeleton Recall Loss (SRL) proposed by Kirchhoff et al.~\cite {kirchhoff2024srl}, was stated to produce state-of-the-art results on benchmark tubular datasets. In this work, we performed a theoretical analysis of the gradients for the SRL loss. Upon comparing the performance of the proposed method on some of the tubular datasets (used in the original work, along with some additional datasets), we found that the performance of SRL-based segmentation models did not exceed traditional baseline models. By providing both a theoretical explanation and empirical evidence, this work critically evaluates the limitations of topology-based loss functions, offering valuable insights for researchers aiming to develop more effective segmentation models for complex tubular structures.
• Abstract（参考訳）: 画像分割はコンピュータビジョンにおいて重要かつ広く実行される課題である。 多様な設定で効果的なイメージセグメンテーションを実現するには、カスタムモデルアーキテクチャと損失関数が必要になることが多い。 細い管状構造のセグメント化に特化したモデルの集合は、トポロジー保存に基づく損失関数である。 これらのモデルは、しばしばピクセルスケルトン化プロセスを利用して、細管のより正確なセグメンテーションマスクを生成し、他のモデルがしばしば見逃す構造をよりよく捉えた。 そのようなモデルの一つ、Kirchhoff et al ~\cite {Kirchhoff2024srl} が提案したSkeleton Recall Loss (SRL) は、ベンチマーク管状データセット上で最先端の結果を生成する。 本研究では,SRL損失の勾配に関する理論的解析を行った。 提案手法の性能を比較した結果,SRLに基づくセグメンテーションモデルの性能は従来のベースラインモデルを超えないことが判明した。 理論的な説明と経験的証拠の両方を提供することで、この研究はトポロジに基づく損失関数の限界を批判的に評価し、複雑な管状構造のより効率的なセグメンテーションモデルの開発を目指す研究者に貴重な洞察を与える。

関連論文リスト

• A Theoretical Perspective: How to Prevent Model Collapse in Self-consuming Training Loops [55.07063067759609]
  高品質なデータは大規模な生成モデルのトレーニングには不可欠だが、オンラインで利用可能な実際のデータの膨大な蓄積はほとんど枯渇している。 モデルは、さらなるトレーニングのために独自のデータを生成し、自己消費訓練ループ(STL)を形成する。 一部のモデルは劣化または崩壊するが、他のモデルはこれらの失敗をうまく回避し、理論的な理解にかなりのギャップを残している。
  論文  参考訳（メタデータ） (2025-02-26T06:18:13Z)
• Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction [48.30341580103962]
  本稿では、これらの問題に対処するために、新しい再視覚的二重ドメイン自己教師型深層展開ネットワークを提案する。 エンド・ツー・エンドの再構築を実現するために,シャンブルとポック・プロキシ・ポイント・アルゴリズム(DUN-CP-PPA)に基づく深層展開ネットワークを設計する。 高速MRIおよびIXIデータセットを用いて行った実験により,本手法は再建性能において最先端の手法よりも有意に優れていることが示された。
  論文  参考訳（メタデータ） (2025-01-07T12:29:32Z)
• SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
  大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。 本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
  論文  参考訳（メタデータ） (2024-07-23T20:34:23Z)
• Post-Training Network Compression for 3D Medical Image Segmentation: Reducing Computational Efforts via Tucker Decomposition [2.6820435361998918]
  本稿では,既存のモデルの分解により,セグメント化精度を損なうことなく,計算要求を低減できるタッカー因数分解法を提案する。 提案手法では,推定時に必要となる浮動小数点演算(FLOP)とメモリを削減し,計算効率とセグメンテーション品質のトレードオフを調整可能とした。
  論文  参考訳（メタデータ） (2024-04-15T11:36:31Z)
• Refining Remote Photoplethysmography Architectures using CKA and Empirical Methods [0.9208007322096533]
  アーキテクチャ上の考慮事項、すなわちモデルの深さは、結果のパフォーマンスに重大な影響を与える可能性がある。 本稿では、Centered Kernel Alignment(CKA)を用いて、rアーキテクチャを診断として洗練する方法を示す。
  論文  参考訳（メタデータ） (2024-01-09T19:52:25Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• A PAC-Bayesian Perspective on the Interpolating Information Criterion [54.548058449535155]
  補間系の性能に影響を及ぼす要因を特徴付ける一般モデルのクラスに対して,PAC-Bayes境界がいかに得られるかを示す。 オーバーパラメータ化モデルに対するテスト誤差が、モデルとパラメータの初期化スキームの組み合わせによって課される暗黙の正規化の品質に依存するかの定量化を行う。
  論文  参考訳（メタデータ） (2023-11-13T01:48:08Z)
• Scaling Pre-trained Language Models to Deeper via Parameter-efficient Architecture [68.13678918660872]
  行列積演算子(MPO)に基づくより有能なパラメータ共有アーキテクチャを設計する。 MPO分解はパラメータ行列の情報を再編成し、2つの部分に分解することができる。 私たちのアーキテクチャは、モデルのサイズを減らすために、すべてのレイヤで中央テンソルを共有しています。
  論文  参考訳（メタデータ） (2023-03-27T02:34:09Z)
• Generalizable Limited-Angle CT Reconstruction via Sinogram Extrapolation [17.084877038511557]
  シングラム外挿モジュールの導入により,リミテッドアングルCT再構成のためのExtraPolationNetworkを提案する。 我々の再構成モデルは,既存のアプローチと同様,NIH-AAPMデータセット上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2021-03-09T06:58:09Z)

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。