論文の概要: Bayesian Optimization for Design Parameters of 3D Image Data Analysis

• arxiv url: http://arxiv.org/abs/2602.15660v1
• Date: Tue, 17 Feb 2026 15:31:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:18.113164
• Title: Bayesian Optimization for Design Parameters of 3D Image Data Analysis
• Title（参考訳）: 3次元画像解析のためのベイズ最適化
• Authors: David Exler, Joaquin Eduardo Urrutia Gómez, Martin Krüger, Maike Schliephake, John Jbeily, Mario Vitacolonna, Rüdiger Rudolf, Markus Reischl,
• Abstract要約: ディープラーニングに基づくセグメンテーションと分類は、特に3Dデータにおいて、大規模なバイオメディカルイメージングに不可欠である。 本稿では,セグメンテーションと分類の設計とパラメータ化を容易にする手法である3Dデータ解析最適化パイプラインを紹介する。 4つのケーススタディにおいて、パイプラインは個々のデータセットに対する効果的なモデルとパラメータの設定を効率的に識別する。
• 参考スコア（独自算出の注目度）: 0.5738361324640205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning-based segmentation and classification are crucial to large-scale biomedical imaging, particularly for 3D data, where manual analysis is impractical. Although many methods exist, selecting suitable models and tuning parameters remains a major bottleneck in practice. Hence, we introduce the 3D data Analysis Optimization Pipeline, a method designed to facilitate the design and parameterization of segmentation and classification using two Bayesian Optimization stages. First, the pipeline selects a segmentation model and optimizes postprocessing parameters using a domain-adapted syntactic benchmark dataset. To ensure a concise evaluation of segmentation performance, we introduce a segmentation quality metric that serves as the objective function. Second, the pipeline optimizes design choices of a classifier, such as encoder and classifier head architectures, incorporation of prior knowledge, and pretraining strategies. To reduce manual annotation effort, this stage includes an assisted class-annotation workflow that extracts predicted instances from the segmentation results and sequentially presents them to the operator, eliminating the need for manual tracking. In four case studies, the 3D data Analysis Optimization Pipeline efficiently identifies effective model and parameter configurations for individual datasets.
• Abstract（参考訳）: ディープラーニングに基づくセグメンテーションと分類は大規模なバイオメディカルイメージング、特に手動解析が非現実的な3Dデータに不可欠である。 多くの方法が存在するが、適切なモデルとチューニングパラメータを選択することは、実際には大きなボトルネックである。 そこで我々は,2つのベイズ最適化段階を用いたセグメンテーションと分類の設計とパラメータ化を容易にする手法である3Dデータ解析最適化パイプラインを提案する。 まず、パイプラインはセグメンテーションモデルを選択し、ドメイン適応構文ベンチマークデータセットを使用して後処理パラメータを最適化する。 セグメンテーション性能の簡潔な評価を実現するため,目的関数として機能するセグメンテーション品質指標を導入する。 第二に、パイプラインは、エンコーダやクラシファイアヘッドアーキテクチャ、事前知識の導入、事前学習戦略といった、分類器の設計選択を最適化する。 手動のアノテーションの労力を減らすため、このステージは、セグメンテーション結果から予測されたインスタンスを抽出し、それをオペレータに順次提示する補助的なクラスアノテーションワークフローを含んでいる。 4つのケーススタディにおいて、3Dデータ分析最適化パイプラインは、個々のデータセットに対する効果的なモデルとパラメータ設定を効率的に識別する。

関連論文リスト

• Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection [83.90563802153707]
  PLUSNetは高品質のSmallオブジェクト検出フレームワークである。 上流の特徴を浄化するための階層的特徴(HFP)フレームワーク、中流トレーニングサンプルの品質を改善するための多重基準ラベル割り当て(MCLA)、下流タスクを達成するためにより効果的に情報を活用するための周波数分離ヘッド(FDHead)の3つのコンポーネントで構成されている。
  論文  参考訳（メタデータ） (2025-04-29T10:11:03Z)
• Instruction-Following Pruning for Large Language Models [58.329978053711024]
  我々は、モデルに対する固定的なプルーニングマスクを決定する従来の静的プルーニングアプローチを超えて移動する。 本手法では,プルーニングマスクは入力依存型であり,ユーザ命令に記述された情報に基づいて動的に適応する。 我々の手法は「命令追従プルーニング」と呼ばれ、ユーザ命令を入力とし、与えられたタスクに対して最も関連性の高いモデルパラメータを動的に選択するスパースマスク予測器を導入している。
  論文  参考訳（メタデータ） (2025-01-03T20:19:14Z)
• Automating Data Science Pipelines with Tensor Completion [4.956678070210018]
  我々はテンソル補完の例としてデータサイエンスパイプラインをモデル化する。 目標は、可変値のすべての組み合わせに対応するテンソルの欠落する全てのエントリを特定することである。 既存の手法と提案手法を多種多様なデータセットで広く評価する。
  論文  参考訳（メタデータ） (2024-10-08T22:34:08Z)
• Multi-body SE(3) Equivariance for Unsupervised Rigid Segmentation and Motion Estimation [49.56131393810713]
  本稿では、SE(3)同変アーキテクチャと、この課題に教師なしで取り組むためのトレーニング戦略を提案する。 本手法は,0.25Mパラメータと0.92G FLOPを用いて,モデル性能と計算効率を両立させる。
  論文  参考訳（メタデータ） (2023-06-08T22:55:32Z)
• Embedded Feature Similarity Optimization with Specific Parameter Initialization for 2D/3D Medical Image Registration [4.533408985664949]
  医用画像登録のための新しい深層学習フレームワークを提案する。 提案フレームワークは, 特殊訓練技術と新規な複合接続を用いて, マルチスケールの特徴を抽出する。 本実験により,本手法は登録性能を向上し,既存の手法を精度,実行時間で上回っていることが示された。
  論文  参考訳（メタデータ） (2023-05-10T15:33:15Z)
• PointInst3D: Segmenting 3D Instances by Points [136.7261709896713]
  本稿では,ポイント単位の予測方式で機能する,完全畳み込み型3Dポイントクラウドインスタンスセグメンテーション手法を提案する。 その成功の鍵は、各サンプルポイントに適切なターゲットを割り当てることにある。 提案手法はScanNetとS3DISのベンチマークで有望な結果が得られる。
  論文  参考訳（メタデータ） (2022-04-25T02:41:46Z)
• Parameter-efficient Model Adaptation for Vision Transformers [45.3460867776953]
  画像分類タスクにおける視覚変換器のパラメータ効率モデル適応戦略について検討する。 本稿では,局所固有次元を測定することで,まずサブモジュールを選択するパラメータ効率のよいモデル適応フレームワークを提案する。 提案手法は,20画像分類データセット間の精度とパラメータ効率のトレードオフを最良とする。
  論文  参考訳（メタデータ） (2022-03-29T05:30:09Z)
• Pre-trained Gaussian Processes for Bayesian Optimization [24.730678780782647]
  本稿では,HyperBO という事前学習型 BO フレームワークを提案する。 GPが既知の「地中真実」を仮定することなく, 後続の予測と, ほぼゼロの後悔をHyperBOに示す。
  論文  参考訳（メタデータ） (2021-09-16T20:46:26Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Objective-Sensitive Principal Component Analysis for High-Dimensional Inverse Problems [0.0]
  本稿では,大規模乱数場の適応的,微分可能なパラメータ化手法を提案する。 開発した手法は主成分分析(PCA)に基づくが,目的関数の振る舞いを考慮した主成分の純粋にデータ駆動に基づく基礎を変更する。 最適パラメータ分解のための3つのアルゴリズムを2次元合成履歴マッチングの目的に適用した。
  論文  参考訳（メタデータ） (2020-06-02T18:51:17Z)

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。