論文の概要: TauFlow: Dynamic Causal Constraint for Complexity-Adaptive Lightweight Segmentation
- arxiv url: http://arxiv.org/abs/2511.07057v1
- Date: Mon, 10 Nov 2025 12:47:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.250966
- Title: TauFlow: Dynamic Causal Constraint for Complexity-Adaptive Lightweight Segmentation
- Title（参考訳）: TauFlow: 複雑度適応型軽量セグメンテーションのための動的因果制約
- Authors: Zidong Chen, Fadratul Hafinaz Hassan,
- Abstract要約: 本稿では,軽量セグメンテーションモデルであるTauFlowを提案する。
TauFlowの中核は、脳のようなメカニズムにインスパイアされた動的な機能応答戦略である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deploying lightweight medical image segmentation models on edge devices presents two major challenges: 1) efficiently handling the stark contrast between lesion boundaries and background regions, and 2) the sharp drop in accuracy that occurs when pursuing extremely lightweight designs (e.g., <0.5M parameters). To address these problems, this paper proposes TauFlow, a novel lightweight segmentation model. The core of TauFlow is a dynamic feature response strategy inspired by brain-like mechanisms. This is achieved through two key innovations: the Convolutional Long-Time Constant Cell (ConvLTC), which dynamically regulates the feature update rate to "slowly" process low-frequency backgrounds and "quickly" respond to high-frequency boundaries; and the STDP Self-Organizing Module, which significantly mitigates feature conflicts between the encoder and decoder, reducing the conflict rate from approximately 35%-40% to 8%-10%.
- Abstract（参考訳）: エッジデバイスに軽量な医用画像セグメンテーションモデルをデプロイすることは、2つの大きな課題を提示する。
1)病変境界と背景領域のスタークコントラストを効率的に処理し,
2) 極めて軽量な設計(例えば<0.5Mパラメータ)を追求する際に発生する精度の急落。
これらの問題に対処するために,本論文では,軽量セグメンテーションモデルであるTauFlowを提案する。
TauFlowの中核は、脳のようなメカニズムにインスパイアされた動的な機能応答戦略である。
これは2つの重要なイノベーションによって達成される: Convolutional Long-Time Constant Cell (ConvLTC) は機能更新率を動的に制御し、低周波の背景を「緩やかに」処理し、高周波境界に「素早く」対応し、STDP Self-Organizing Module はエンコーダとデコーダの機能の衝突を著しく軽減し、競合率を約35%-40%から8%-10%に下げる。
関連論文リスト
- LUMA: Low-Dimension Unified Motion Alignment with Dual-Path Anchoring for Text-to-Motion Diffusion Model [18.564067196226436]
本稿では,2経路アンカーを組み込んだテキスト・ツー・モーション拡散モデルを提案し,セマンティックアライメントを強化する。
FIDスコアはそれぞれ0.035と0.123である。
論文 参考訳（メタデータ） (2025-09-29T17:58:28Z) - Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。
Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。
圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
論文 参考訳（メタデータ） (2025-09-18T03:51:06Z) - R-Stitch: Dynamic Trajectory Stitching for Efficient Reasoning [80.104336426172]
CoT(Chain-of- Thought)は、大規模言語モデルの問題解決能力を高める。
CoTは長い自己回帰軌道のためにかなりの推論コストを発生させる。
トレーニング不要なハイブリッドデコーディングフレームワークであるR-Stitchを紹介する。
論文 参考訳（メタデータ） (2025-07-23T08:14:36Z) - CFMD: Dynamic Cross-layer Feature Fusion for Salient Object Detection [7.262250906929891]
クロス層機能ピラミッドネットワーク(CFPN)は,多層機能融合と境界詳細保存において顕著な進歩を遂げている。
これらの課題に対処するために,CFMDという,2つの重要なイノベーションを取り入れた,新しいクロスレイヤ機能ピラミッドネットワークを提案する。
まず,現在最先端のMambaアーキテクチャを組み込んで動的重み分布機構を構築するコンテキスト認識機能集約モジュール(CFLMA)を設計する。
第2に,分解能回復時に空間的詳細を保存する適応動的アップサンプリングユニット(CFLMD)を導入する。
論文 参考訳（メタデータ） (2025-04-02T03:22:36Z) - FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。
自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。
PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。
FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。
この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
論文 参考訳（メタデータ） (2025-03-25T15:04:53Z) - AMR-Transformer: Enabling Efficient Long-range Interaction for Complex Neural Fluid Simulation [33.63726923336252]
本稿では,AMR-Transformerを提案する。
これは、Navier-Stokes制約を意識した高速刈取モジュールと、新しい適応メッシュリファインメントスキームを統合している。
提案手法は,ベースラインモデルよりも精度が向上する。
論文 参考訳（メタデータ） (2025-03-13T11:16:42Z) - PatchRefiner V2: Fast and Lightweight Real-Domain High-Resolution Metric Depth Estimation [38.71875790942604]
PRV2はUnrealStereo4Kの精度と速度の両方で最先端の深さ推定手法より優れている。
また、CityScape、ScanNet++、KITTIといった現実世界のデータセットでは、奥行き境界線が改善されている。
論文 参考訳（メタデータ） (2025-01-02T07:41:27Z) - Learning Dynamic Local Context Representations for Infrared Small Target Detection [5.897465234102489]
複雑な背景、低信号/クラッタ比、ターゲットサイズと形状の違いにより、赤外線小目標検出(ISTD)は困難である。
ISTDの動的局所文脈表現を学習する新しい手法であるLCRNetを提案する。
1.65Mのパラメータだけで、LCRNetは最先端(SOTA)のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-23T09:06:27Z)
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。