論文の概要: Attention Maps in 3D Shape Classification for Dental Stage Estimation with Class Node Graph Attention Networks

• arxiv url: http://arxiv.org/abs/2509.07581v1
• Date: Tue, 09 Sep 2025 10:44:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.269834
• Title: Attention Maps in 3D Shape Classification for Dental Stage Estimation with Class Node Graph Attention Networks
• Title（参考訳）: クラスノードグラフアテンションネットワークを用いた歯科用ステージ推定のための3次元形状分類におけるアテンションマップ
• Authors: Barkin Buyukcakir, Rocharles Cavalcante Fontenele, Reinhilde Jacobs, Jannick De Tobel, Patrick Thevissen, Dirk Vandermeulen, Peter Claes,
• Abstract要約: 本稿では,3次元形状認識タスクのためのクラスノードグラフ注意ネットワーク(CGAT)アーキテクチャを提案する。 CGATをCBCT画像から抽出した第3大臼歯の3次元メッシュに適用し,デミルジアンステージ割り当てを行う。 アーキテクチャが人間に理解可能な注意マップを生成する能力は、信頼を高め、モデル決定のエキスパートによる検証を促進する。
• 参考スコア（独自算出の注目度）: 4.289327498989562
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Deep learning offers a promising avenue for automating many recognition tasks in fields such as medicine and forensics. However, the black-box nature of these models hinders their adoption in high-stakes applications where trust and accountability are required. For 3D shape recognition tasks in particular, this paper introduces the Class Node Graph Attention Network (CGAT) architecture to address this need. Applied to 3D meshes of third molars derived from CBCT images, for Demirjian stage allocation, CGAT utilizes graph attention convolutions and an inherent attention mechanism, visualized via attention rollout, to explain its decision-making process. We evaluated the local mean curvature and distance to centroid node features, both individually and in combination, as well as model depth, finding that models incorporating directed edges to a global CLS node produced more intuitive attention maps, while also yielding desirable classification performance. We analyzed the attention-based explanations of the models, and their predictive performances to propose optimal settings for the CGAT. The combination of local mean curvature and distance to centroid as node features yielded a slight performance increase with 0.76 weighted F1 score, and more comprehensive attention visualizations. The CGAT architecture's ability to generate human-understandable attention maps can enhance trust and facilitate expert validation of model decisions. While demonstrated on dental data, CGAT is broadly applicable to graph-based classification and regression tasks, promoting wider adoption of transparent and competitive deep learning models in high-stakes environments.
• Abstract（参考訳）: ディープラーニングは、医学や法医学などの分野における多くの認識タスクを自動化するための、有望な道を提供する。 しかしながら、これらのモデルのブラックボックスの性質は、信頼性と説明責任が要求されるハイステークなアプリケーションでの採用を妨げる。 本稿では,特に3次元形状認識タスクにおいて,このニーズに対処するためのクラスノードグラフ注意ネットワーク(CGAT)アーキテクチャを提案する。 CBCT画像から得られた第3大臼歯の3次元メッシュに対して、CGATはグラフアテンションの畳み込みと、アテンションロールアウトによって可視化された固有のアテンション機構を利用して、その意思決定プロセスを説明する。 局所的な平均曲率と遠心点間距離, およびモデル深度を評価し, より直感的な注意マップを作成したグローバルCLSノードに有向エッジを組み込んだモデルが望ましい分類性能を示した。 CGATの最適設定を提案するために,各モデルの注意に基づく説明と予測性能について分析した。 ノードの特徴として局所的な平均曲率とセントロイドの距離の組み合わせにより、パフォーマンスはわずかに向上し、重み付きF1スコアは0.76となり、より包括的な注意の可視化が行われた。 CGATアーキテクチャが人間に理解可能な注意マップを生成する能力は、信頼を高め、モデル決定のエキスパートによる検証を促進する。 CGATは歯科データで実証されているが、グラフベースの分類と回帰タスクに広く適用されており、高いテイク環境での透過的および競合的なディープラーニングモデルの普及を促進する。

関連論文リスト

• Improving Open-Set Semantic Segmentation in 3D Point Clouds by Conditional Channel Capacity Maximization: Preliminary Results [1.1328543389752008]
  オープンセットセマンティック(O3S)のためのプラグアンドプレイフレームワークを提案する。 セグメンテーションパイプラインを条件付きマルコフ連鎖としてモデル化することにより、条件付きチャネル容量最大化(3CM)と呼ばれる新しい正規化器項を導出する。 3CMは,エンコーダがよりリッチでラベルに依存した機能を維持することを奨励し,従来見つからなかったカテゴリを識別・分割するネットワークの能力を向上することを示す。
  論文  参考訳（メタデータ） (2025-05-09T04:12:26Z)
• Wide & Deep Learning for Node Classification [0.7373617024876725]
  グラフ畳み込みネットワーク(GCN)はノード分類タスクにおいて支配的である。 本稿では, 相互メモリ, 初期残差, アイデンティティマッピングの3つの手法を取り入れたフレキシブルなフレームワークGCNIIIを提案する。 我々は,GCNIIIが過剰適合と過剰一般化のトレードオフをより効果的にバランスできることを示す実証的証拠を提供する。
  論文  参考訳（メタデータ） (2025-05-04T07:53:16Z)
• FORCE: Feature-Oriented Representation with Clustering and Explanation [0.0]
  SHAPに基づく教師付きディープラーニングフレームワークForceを提案する。 ニューラルネットワークアーキテクチャにおけるSHAP値の2段階の使用に依存している。 我々はForceが潜在機能とアテンションフレームワークを組み込まないネットワークと比較して、全体的なパフォーマンスを劇的に改善したことを示す。
  論文  参考訳（メタデータ） (2025-04-07T22:05:50Z)
• Deep Contrastive Graph Learning with Clustering-Oriented Guidance [61.103996105756394]
  グラフ畳み込みネットワーク(GCN)は、グラフベースのクラスタリングを改善する上で大きな可能性を秘めている。 モデルはGCNを適用するために初期グラフを事前に推定する。 一般的なデータクラスタリングには,Deep Contrastive Graph Learning (DCGL)モデルが提案されている。
  論文  参考訳（メタデータ） (2024-02-25T07:03:37Z)
• Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image Classification [24.91896527342631]
  グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。 点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。 本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。 HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
  論文  参考訳（メタデータ） (2022-11-14T12:56:56Z)
• Guided Point Contrastive Learning for Semi-supervised Point Cloud Semantic Segmentation [90.2445084743881]
  そこで本研究では,モデル性能を向上させるために,未ラベルの点群をトレーニングに採用するための半教師付き点群セマンティックセマンティックセマンティックセマンティクスを提案する。 近年の自己監督型タスクのコントラスト損失に触発されて,特徴表現とモデル一般化能力を高めるためのガイド付きポイントコントラスト損失を提案する。
  論文  参考訳（メタデータ） (2021-10-15T16:38:54Z)
• Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
  本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。 まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。 第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
  論文  参考訳（メタデータ） (2021-08-29T05:45:03Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object Detection [57.49788100647103]
  LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。 現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。 本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
  論文  参考訳（メタデータ） (2020-12-18T18:06:43Z)
• Multi-Lead ECG Classification via an Information-Based Attention Convolutional Neural Network [1.1720399305661802]
  1次元畳み込みニューラルネットワーク(CNN)は、広範に分類されるタスクに有効であることが証明されている。 残差接続を実装し,入力特徴マップ内の異なるチャネルに含まれる情報から重みを学習できる構造を設計する。 分類タスクにおいて、特定のモデルセグメントのパフォーマンスを監視するために平均平方偏差という指標を導入する。
  論文  参考訳（メタデータ） (2020-03-25T02:28:04Z)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。