論文の概要: Cranio-ID: Graph-Based Craniofacial Identification via Automatic Landmark Annotation in 2D Multi-View X-rays

• arxiv url: http://arxiv.org/abs/2511.14411v1
• Date: Tue, 18 Nov 2025 12:15:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-19 16:23:53.097282
• Title: Cranio-ID: Graph-Based Craniofacial Identification via Automatic Landmark Annotation in 2D Multi-View X-rays
• Title（参考訳）: Cranio-ID:2次元マルチビューX線における自動ランドマークアノテーションによるグラフベース頭蓋顔面識別
• Authors: Ravi Shankar Prasad, Nandani Sharma, Dinesh Singh,
• Abstract要約: 伝統的な頭蓋骨測位法は時間を要するものであり、専門的な知識と専門知識を必要とする。 まず,光学画像を用いた2次元頭蓋骨のランドマークの自動アノテーションであるCranio-IDを提案する。 第二に、これらのランドマークをグラフ表現に定式化し、これらの2つのモダリティのグラフ間の意味的対応を見つけることによって、クロスモーダルマッチングを行う。
• 参考スコア（独自算出の注目度）: 2.4382430407654767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In forensic craniofacial identification and in many biomedical applications, craniometric landmarks are important. Traditional methods for locating landmarks are time-consuming and require specialized knowledge and expertise. Current methods utilize superimposition and deep learning-based methods that employ automatic annotation of landmarks. However, these methods are not reliable due to insufficient large-scale validation studies. In this paper, we proposed a novel framework Cranio-ID: First, an automatic annotation of landmarks on 2D skulls (which are X-ray scans of faces) with their respective optical images using our trained YOLO-pose models. Second, cross-modal matching by formulating these landmarks into graph representations and then finding semantic correspondence between graphs of these two modalities using cross-attention and optimal transport framework. Our proposed framework is validated on the S2F and CUHK datasets (CUHK dataset resembles with S2F dataset). Extensive experiments have been conducted to evaluate the performance of our proposed framework, which demonstrates significant improvements in both reliability and accuracy, as well as its effectiveness in cross-domain skull-to-face and sketch-to-face matching in forensic science.
• Abstract（参考訳）: 法医学的頭蓋顔面識別や多くの生体医学的応用において、頭蓋骨計測のランドマークは重要である。 ランドマークを見つけるための伝統的な手法は時間がかかり、専門的な知識と専門知識を必要とする。 現在の手法では、ランドマークの自動アノテーションを用いた重ね合わせと深層学習に基づく手法が用いられている。 しかし、これらの手法は大規模な検証研究が不十分であるため信頼性が低い。 本稿では,2次元頭蓋骨(顔のX線スキャン)におけるランドマークの自動アノテーションであるCranio-IDを提案する。 第二に、これらのランドマークをグラフ表現に定式化し、その後、クロスアテンションと最適輸送フレームワークを用いてこれらの2つのモダリティのグラフ間の意味対応を見つけることによって、クロスモーダルマッチングを行う。 提案するフレームワークは,S2FデータセットとCUHKデータセット(CUHKデータセットはS2Fデータセットと似ている)で検証される。 提案フレームワークの性能評価において,信頼性と精度,およびクロスドメイン頭蓋骨対面マッチングおよびスケッチ対面マッチングの有効性の両面で有意な改善が示された。

関連論文リスト

• CABLD: Contrast-Agnostic Brain Landmark Detection with Consistency-Based Regularization [2.423045468361048]
  CABLDは、ラベルなしスキャンにおける3次元脳ランドマーク検出のための、新しい自己教師型ディープラーニングフレームワークである。 提案手法はMRIによる脳のランドマーク検出を複雑に行うことで実証する。 我々のフレームワークは、解剖学的ランドマーク検出のための堅牢で正確なソリューションを提供し、広範囲の注釈付きデータセットの必要性を減らす。
  論文  参考訳（メタデータ） (2024-11-26T19:56:29Z)
• UniForensics: Face Forgery Detection via General Facial Representation [60.5421627990707]
  高レベルの意味的特徴は摂動の影響を受けにくく、フォージェリー固有の人工物に限らないため、より強い一般化がある。 我々は、トランスフォーマーベースのビデオネットワークを活用する新しいディープフェイク検出フレームワークUniForensicsを導入し、顔の豊かな表現のためのメタファンクショナルな顔分類を行う。
  論文  参考訳（メタデータ） (2024-07-26T20:51:54Z)
• Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
  アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。 我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。 時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
  論文  参考訳（メタデータ） (2022-07-17T07:05:39Z)
• Joint-bone Fusion Graph Convolutional Network for Semi-supervised Skeleton Action Recognition [65.78703941973183]
  本稿では,CD-JBF-GCNをエンコーダとし,ポーズ予測ヘッドをデコーダとして使用する新しい相関駆動型ジョイントボーン・フュージョングラフ畳み込みネットワークを提案する。 具体的には、CD-JBF-GCは、関節ストリームと骨ストリームの間の運動伝達を探索することができる。 自己教師型トレーニング段階におけるポーズ予測に基づくオートエンコーダにより、未ラベルデータから動作表現を学習することができる。
  論文  参考訳（メタデータ） (2022-02-08T16:03:15Z)
• Spatial-Temporal Correlation and Topology Learning for Person Re-Identification in Videos [78.45050529204701]
  クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。 CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。 グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
  論文  参考訳（メタデータ） (2021-04-15T14:32:12Z)
• One-Shot Medical Landmark Detection [11.213814977894314]
  本研究では,Cased Comparing to Detect (CC2D) という,ランドマーク検出のための新しいフレームワークを提案する。 CC2Dは,1)自己指導学習(CC2D-SSL)と2)擬似ラベル(CC2D-TPL)の2段階からなる。 CC2Dの有効性は4.0mm以内の81.01%の競争の検出の正確さを達成する頭蓋骨のランドマークの検出の広く利用された公開データセットで評価されます。
  論文  参考訳（メタデータ） (2021-03-08T03:16:53Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Automated 3D cephalometric landmark identification using computerized tomography [1.4349468613117398]
  頭蓋骨の形状を代用する3次元頭蓋骨計測のランドマークの同定は、頭蓋骨計測の基本的なステップである。 近年,ディープラーニング(dl)を用いた2次元頭部画像の自動ランドマーク作成が大きな成功を収めているが,80以上のランドマークに対する3次元ランドマークは,まだ満足のいくレベルには達していない。 本論文では,匿名化されたランドマークデータセットと対のCTデータを取り除いた,半教師付き3次元ランドマーク用DL法を提案する。
  論文  参考訳（メタデータ） (2020-12-16T07:29:32Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。