論文の概要: Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels

• arxiv url: http://arxiv.org/abs/2603.18671v1
• Date: Thu, 19 Mar 2026 09:33:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.064194
• Title: Towards High-Quality Image Segmentation: Improving Topology Accuracy by Penalizing Neighbor Pixels
• Title（参考訳）: 高画質画像セグメンテーションに向けて : 近隣画素のペナライズによるトポロジの精度向上
• Authors: Juan Miguel Valverde, Dim P. Papadopoulos, Rasmus Larsen, Anders Bjorholm Dahl,
• Abstract要約: SCNPは,ロジットを最貧層に罰し,トポロジーの精度を向上する効率的な手法である。 13個のデータセットにまたがるSCNPの有効性を示し、異なる構造形態と画像のモダリティを網羅した。 SCNPを複数の損失関数に統合することにより、トポロジの精度を向上できることを示す。
• 参考スコア（独自算出の注目度）: 8.08667523501433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Standard deep learning models for image segmentation cannot guarantee topology accuracy, failing to preserve the correct number of connected components or structures. This, in turn, affects the quality of the segmentations and compromises the reliability of the subsequent quantification analyses. Previous works have proposed to enhance topology accuracy with specialized frameworks, architectures, and loss functions. However, these methods are often cumbersome to integrate into existing training pipelines, they are computationally very expensive, or they are restricted to structures with tubular morphology. We present SCNP, an efficient method that improves topology accuracy by penalizing the logits with their poorest-classified neighbor, forcing the model to improve the prediction at the pixels' neighbors before allowing it to improve the pixels themselves. We show the effectiveness of SCNP across 13 datasets, covering different structure morphologies and image modalities, and integrate it into three frameworks for semantic and instance segmentation. Additionally, we show that SCNP can be integrated into several loss functions, making them improve topology accuracy. Our code can be found at https://jmlipman.github.io/SCNP-SameClassNeighborPenalization.
• Abstract（参考訳）: イメージセグメンテーションのための標準的なディープラーニングモデルは、トポロジーの精度を保証することができず、接続されたコンポーネントや構造の正確な数を保存することができない。 これは次にセグメンテーションの品質に影響を与え、その後の定量化分析の信頼性を損なう。 以前は、特殊フレームワーク、アーキテクチャ、損失関数によるトポロジーの精度向上が提案されていた。 しかし、これらの手法は、しばしば既存の訓練パイプラインに組み込むのが面倒で、計算的に非常に高価であり、または管状形態を持つ構造に制限される。 SCNPは,ロジットを最下級の近傍でペナルティ化することにより,位相精度を向上させる効率的な手法であり,画素自体を改良する前に,画素の近傍での予測を改善することを強制する。 13個のデータセットにまたがるSCNPの有効性を示し、異なる構造形態と画像のモダリティを網羅し、セマンティックとインスタンスセグメンテーションの3つのフレームワークに統合した。 さらに、SCNPを複数の損失関数に統合し、トポロジの精度を向上できることを示す。 私たちのコードはhttps://jmlipman.github.io/SCNP-SameClassNeighborPenalizationで確認できます。

関連論文リスト

• ContextLoss: Context Information for Topology-Preserving Segmentation [2.2742404315918927]
  臨界画素マスクにおけるトポロジカルな誤りを考慮し,トポロジカルな正当性を向上する新しい損失関数 ContextLoss (CLoss) を提案する。 提案したCLossを3つの公開データセット(2Dと3D)と骨セメントラインの3Dナノイメージングデータセットでベンチマークした。
  論文  参考訳（メタデータ） (2025-06-10T19:09:52Z)
• Disconnect to Connect: A Data Augmentation Method for Improving Topology Accuracy in Image Segmentation [0.493599216374976]
  ディープニューラルネットワークは個々のピクセルを分類し、小さな誤分類でさえ、これらの構造内の細い接続を壊す可能性がある。 トポロジ損失関数のような既存のトポロジ精度向上手法は、非常に正確で、トポロジ的に正確なトレーニングラベルに依存している。 我々は、データ拡張戦略であるCoLeTraを紹介します。これは、壊れているように見える構造が実際に接続されているという以前の知識をモデルに統合するものです。
  論文  参考訳（メタデータ） (2025-03-07T16:11:55Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• Image Segmentation with Homotopy Warping [10.093435601073484]
  位相的正しさは、微細な構造を持つ画像のセグメンテーションに不可欠である。 ディジタルトポロジの理論を活用することで、トポロジにとって重要な画像中の位置を特定する。 本稿では,位相的精度を向上させるために,深部画像分割ネットワークをトレーニングするための新たなホモトピーワーピング損失を提案する。
  論文  参考訳（メタデータ） (2021-12-15T00:33:15Z)
• A persistent homology-based topological loss for CNN-based multi-class segmentation of CMR [5.898114915426535]
  心臓磁気共鳴(CMR)画像のマルチクラスセグメンテーションは、既知の構造と構成を持つ解剖学的構成要素にデータの分離を求める。 最も一般的なCNNベースの手法は、解剖を特徴付ける空間的に拡張された特徴を無視した画素ワイズ損失関数を用いて最適化されている。 これらのアプローチは、全てのクラスラベルとクラスラベルペアのリッチなトポロジカル記述を構築することで、マルチクラスセグメンテーションのタスクに拡張する。
  論文  参考訳（メタデータ） (2021-07-27T09:21:38Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
  既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。 内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
  論文  参考訳（メタデータ） (2020-07-08T17:08:08Z)

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。