論文の概要: HyperTopo-Adapters: Geometry- and Topology-Aware Segmentation of Leaf Lesions on Frozen Encoders

• arxiv url: http://arxiv.org/abs/2601.06067v1
• Date: Mon, 29 Dec 2025 04:27:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-25 16:54:51.620407
• Title: HyperTopo-Adapters: Geometry- and Topology-Aware Segmentation of Leaf Lesions on Frozen Encoders
• Title（参考訳）: HyperTopo-Adapters: 凍結エンコーダ上の葉病変の幾何学的およびトポロジー的セグメンテーション
• Authors: Chimdi Walter Ndubuisi, Toni Kazic,
• Abstract要約: 葉配列のセグメンテーションはトポロジーに敏感であり、小さなマージ、分裂、または偽の穴は生化学経路の有意義な記述である。 HyperTopo-Adaptersは、凍結した視覚エンコーダの上で訓練された軽量でパラメータ効率のよいヘッドだ。 初期の結果は、Kaggleのリーフ-レセオンデータセット上で境界とトポロジーのメトリクスが一貫した増加を示している。
• 参考スコア（独自算出の注目度）: 0.14323566945483493
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Leaf-lesion segmentation is topology-sensitive: small merges, splits, or false holes can be biologically meaningful descriptors of biochemical pathways, yet they are weakly penalized by standard pixel-wise losses in Euclidean latents. I explore HyperTopo-Adapters, a lightweight, parameter-efficient head trained on top of a frozen vision encoder, which embeds features on a product manifold -- hyperbolic + Euclidean + spherical (H + E + S) -- to encourage hierarchical separation (H), local linear detail (E), and global closure (S). A topology prior complements Dice/BCE in two forms: (i) persistent-homology (PH) distance for evaluation and selection, and (ii) a differentiable surrogate that combines a soft Euler-characteristic match with total variation regularization for stable training. I introduce warm-ups for both the hyperbolic contrastive term and the topology prior, per-sample evaluation of structure-aware metrics (Boundary-F1, Betti errors, PD distance), and a min-PD within top-K Dice rule for checkpoint selection. On a Kaggle leaf-lesion dataset (N=2,940), early results show consistent gains in boundary and topology metrics (reducing Delta beta_1 hole error by 9%) while Dice/IoU remain competitive. The study is diagnostic by design: I report controlled ablations (curvature learning, latent dimensions, contrastive temperature, surrogate settings), and ongoing tests varying encoder strength (ResNet-50, DeepLabV3, DINOv2/v3), input resolution, PH weight, and partial unfreezing of late blocks. The contribution is an open, reproducible train/eval suite (available at https://github.com/ChimdiWalter/HyperTopo-Adapters) that isolates geometric/topological priors and surfaces failure modes to guide stronger, topology-preserving architectures.
• Abstract（参考訳）: 葉配列のセグメンテーションはトポロジーに敏感であり、小さなマージ、分裂、または偽の穴は生化学経路の生物学的に意味のある記述物となりうるが、ユークリッド潜伏剤の標準的なピクセル単位の損失によって弱く罰せられる。 HyperTopo-Adaptersは、凍結したビジョンエンコーダの上にトレーニングされた軽量でパラメータ効率のよいヘッドで、製品多様体(Hyperbolic + Euclidean + spherical (H + E + S))に特徴を埋め込んで階層的分離(H)、局所線形ディテール(E)、大域閉包(S)を促進する。 位相はDice/BCEを2つの形式で補完する。 一 評価及び選定のための持続ホモロジー(PH)距離及び (ii) ソフトなオイラー・キャラクタリスティックマッチングと全変分正規化を組み合わせた安定トレーニングのための微分可能なサロゲート。 本稿では,双曲的コントラスト項とトポロジーの両項に対するウォームアップ,構造対応指標(境界F1,ベティ誤差,PD距離)のサンプルごとの評価,およびチェックポイント選択のためのトップKダイスルール内のmin-PDについて紹介する。 Kaggleのリーフ・レセオンデータセット(N=2,940)では、初期の結果は境界とトポロジのメトリクス(Delta beta_1ホールエラーを9%削減)が一貫して増加し、Dice/IoUは競争力を維持している。 本研究は, 制御アブレーション(曲率学習, 潜時次元, コントラスト温度, 代理設定)と, エンコーダ強度の変化(ResNet-50, DeepLabV3, DINOv2/v3), 入力分解能, PH重み, 遅延ブロックの部分凍結)を報告する。 このコントリビューションはオープンで再現可能なトレイン/evalスイート(https://github.com/ChimdiWalter/HyperTopo-Adaptersで利用可能)で、幾何学的/トポロジカルな事前と障害モードを分離し、より強力なトポロジ保存アーキテクチャをガイドする。

関連論文リスト

• Spectral Embedding via Chebyshev Bases for Robust DeepONet Approximation [0.6752538702870791]
  SpectralEmbeded DeepONet (SEDNet) は、トランクが座標入力ではなく、固定されたチェビシェフスペクトル辞書によって駆動される新しい変種である。 SEDNetは一貫して、DeepONet、FEDONet、SEDONetの間で最も低い相対的なL2エラーを達成しており、ベースラインのDeepONetよりも平均30～40%改善されている。
  論文  参考訳（メタデータ） (2025-12-09T22:26:29Z)
• Provable FDR Control for Deep Feature Selection: Deep MLPs and Beyond [0.0]
  深層ニューラルネットワークに基づくフレキシブルな特徴選択フレームワークを開発し,FDR(False discovery rate)を概ね制御する。 勾配に基づく特徴ベクトルの各座標は、限界正規近似を許容し、FDR制御の有効性を支持することを示す。
  論文  参考訳（メタデータ） (2025-12-04T11:46:06Z)
• Neural PDE Solvers with Physics Constraints: A Comparative Study of PINNs, DRM, and WANs [1.131316248570352]
  部分方程式 (PDE) は、科学や工学にまたがるモデルを支えるが、解析解は非定型であり、古典的なメッシュベースの解法は高次元でコストがかかる。 この論文は、3つのメッシュフリーニューラルネットワークPDEソルバ、物理インフォームドニューラルネットワーク(PINN)、ディープリッツ法(DRM)、弱い敵ネットワーク(WAN)、ポアソン問題(最大5D)と1D/2Dにおける時間非依存シュラーオーディンガー方程式の統一的な比較を提示する。
  論文  参考訳（メタデータ） (2025-10-09T13:41:51Z)
• Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
  近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。 本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
  論文  参考訳（メタデータ） (2024-04-29T15:04:07Z)
• A Unified Algebraic Perspective on Lipschitz Neural Networks [88.14073994459586]
  本稿では,様々なタイプの1-Lipschitzニューラルネットワークを統一する新しい視点を提案する。 そこで本研究では,SDP(Common semidefinite Programming)条件の解析解を求めることによって,既存の多くの手法を導出し,一般化することができることを示す。 SDPベースのLipschitz Layers (SLL) と呼ばれる我々のアプローチは、非自明で効率的な凸ポテンシャル層の一般化を設計できる。
  論文  参考訳（メタデータ） (2023-03-06T14:31:09Z)
• Combating Mode Collapse in GANs via Manifold Entropy Estimation [70.06639443446545]
  Generative Adversarial Networks (GAN) は、様々なタスクやアプリケーションにおいて魅力的な結果を示している。 GANのモード崩壊問題に対処するための新しいトレーニングパイプラインを提案する。
  論文  参考訳（メタデータ） (2022-08-25T12:33:31Z)
• Polarized Self-Attention: Towards High-quality Pixel-wise Regression [19.2303932008785]
  本稿では,高画質画素ワイドレグレッションに対する2つの重要な設計を組み込んだPSAブロックを提案する。 実験の結果,PSAは2Dポーズ推定とセマンティックセグメンテーションのベンチマークにおいて,標準ベースラインを2～4ドル,最先端を1～2ドル,さらに2Dポーズ推定とセマンティックセグメンテーションのベンチマークで1～2ドル向上した。
  論文  参考訳（メタデータ） (2021-07-02T01:03:11Z)
• Simple and Effective Prevention of Mode Collapse in Deep One-Class Classification [93.2334223970488]
  深部SVDDにおける超球崩壊を防止するための2つの正則化器を提案する。 第1の正則化器は、標準のクロスエントロピー損失によるランダムノイズの注入に基づいている。 第2の正規化器は、小さすぎるとミニバッチ分散をペナライズする。
  論文  参考訳（メタデータ） (2020-01-24T03:44:47Z)

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。