論文の概要: XTinyU-Net: Training-Free U-Net Scaling via Initialization-Time Sensitivity

• arxiv url: http://arxiv.org/abs/2605.09639v2
• Date: Wed, 13 May 2026 22:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 15:19:49.871268
• Title: XTinyU-Net: Training-Free U-Net Scaling via Initialization-Time Sensitivity
• Title（参考訳）: XTinyU-Net:初期化時間感度によるトレーニング不要なU-Netスケーリング
• Authors: Alvin Kimbowa, Moein Heidari, David Liu, Ilker Hacihaliloglu,
• Abstract要約: データセット固有のU-Net構成を自動的に識別する学習自由選択フレームワークを提案する。 XTinyU-Netセグメンテーションは、400x-1600倍のパラメータを持つ重いnnU-Netベースラインに匹敵する精度を達成する。
• 参考スコア（独自算出の注目度）: 9.562751934535154
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While U-Net architectures remain the gold standard for medical image segmentation, their deployment in resource-constrained environments demands aggressive model compression. However, finding an optimally efficient configuration is computationally prohibitive, typically requiring exhaustive train-and-evaluate cycles to find the smallest model that maintains peak performance. In this paper, we introduce a training-free selection framework to automatically identify ultralightweight, dataset-specific U-Net configurations directly at initialization. We observe that systematically scaling down U-Net channel width induces a sharp transition from a stable performance plateau to representational capacity collapse. To pinpoint this boundary without training, we propose a Jacobian-based sensitivity metric that scores discrete, width-capped U-Net variants using a small set of unlabeled images. By analyzing the total variation of this sensitivity curve, we isolate the smallest stable configuration, which we denote as XTinyU-Net. Evaluated across six diverse medical datasets within the nnU-Net framework, XTinyU-Net achieves segmentation accuracy comparable to the heavy nnU-Net baseline with 400x-1600x fewer parameters, and outperforms contemporary lightweight architectures while utilizing 5x-72x fewer parameters. Code is publicly accessible on https://github.com/alvinkimbowa/nntinyunet.git.
• Abstract（参考訳）: U-Netアーキテクチャは、医用画像セグメンテーションのゴールドスタンダードであり続けているが、リソース制約のある環境への展開は、積極的なモデル圧縮を要求する。 しかし、最適に効率的な構成を見つけることは計算的に禁止され、通常ピーク性能を維持する最小のモデルを見つけるために、徹底的な列車と評価のサイクルを必要とする。 本稿では,超軽量でデータセット固有のU-Net構成を初期化時に自動的に識別する学習自由選択フレームワークを提案する。 我々は,U-Netチャネル幅を体系的にスケールダウンすると,安定した性能高原から表現能力崩壊への急激な遷移が生じることを観察した。 そこで本研究では,この境界線をトレーニングなしで特定するために,ラベルなし画像の小さなセットを用いて,分割された幅付きU-Net変種をスコアリングするヤコビアン方式の感度指標を提案する。 この感度曲線の総変動を分析することにより、XTinyU-Netと表される最小の安定な構成を分離する。 XTinyU-Netは、nU-Netフレームワーク内の6つの多様な医療データセットで評価され、400x-1600倍のパラメータを持つ重いnnU-Netベースラインに匹敵するセグメンテーション精度を達成し、5x-72倍のパラメータを使用しながら、現代の軽量アーキテクチャより優れている。 コードはhttps://github.com/alvinkimbowa/nntinyunet.gitで公開されている。

関連論文リスト

• Dynamic Pre-training: Towards Efficient and Scalable All-in-One Image Restoration [100.54419875604721]
  オールインワン画像復元は、各分解に対してタスク固有の非ジェネリックモデルを持たずに、統一されたモデルで異なるタイプの劣化に対処する。 我々は、オールインワン画像復元タスクのためのエンコーダデコーダ方式で設計されたネットワークの動的ファミリであるDyNetを提案する。 我々のDyNetは、よりバルク化と軽量化をシームレスに切り替えることができるので、効率的なモデルデプロイメントのための柔軟性を提供します。
  論文  参考訳（メタデータ） (2024-04-02T17:58:49Z)
• GCondNet: A Novel Method for Improving Neural Networks on Small High-Dimensional Tabular Data [14.124731264553889]
  我々はGCondNetを提案し、データに存在する暗黙構造を活用してニューラルネットワークを強化する。 GCondNetはデータの高次元性を利用して、基礎となる予測ネットワークの性能を向上させる。 GCondNetが実世界の12のデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-11-11T16:13:34Z)
• LilNetX: Lightweight Networks with EXtreme Model Compression and Structured Sparsification [36.651329027209634]
  LilNetXは、ニューラルネットワークのためのエンドツーエンドのトレーニング可能なテクニックである。 特定の精度-レート-計算トレードオフを持つ学習モデルを可能にする。
  論文  参考訳（メタデータ） (2022-04-06T17:59:10Z)
• Dynamic ConvNets on Tiny Devices via Nested Sparsity [3.0313758880048765]
  この作業では、Nested Sparse ConvNetsを構築するための、新たなトレーニングと圧縮パイプラインが導入されている。 Nested Sparse ConvNetは、Nのスパースサブネットワークとネストウェイトサブセットを含む単一のConvNetアーキテクチャで構成されている。 ARM-M7マイクロコントローラユニットのイメージ分類とオブジェクト検出タスクのテスト。
  論文  参考訳（メタデータ） (2022-03-07T12:07:02Z)
• An Adaptive Device-Edge Co-Inference Framework Based on Soft Actor-Critic [72.35307086274912]
  高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。 本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。 レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
  論文  参考訳（メタデータ） (2022-01-09T09:31:50Z)
• DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and Transformers [105.74546828182834]
  本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。 我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
  論文  参考訳（メタデータ） (2021-09-21T09:57:21Z)
• Post-training deep neural network pruning via layer-wise calibration [70.65691136625514]
  本論文では,自動合成フラクタル画像に基づくコンピュータビジョンモデルに対するデータフリーな拡張を提案する。 実データを使用する場合は、トレーニング後の設定で65%の間隔で8ビットの精度でImageNet上のResNet50モデルを取得できます。
  論文  参考訳（メタデータ） (2021-04-30T14:20:51Z)
• MSCFNet: A Lightweight Network With Multi-Scale Context Fusion for Real-Time Semantic Segmentation [27.232578592161673]
  マルチスケールコンテキスト融合スキーム(MSCFNet)を用いた新しい軽量ネットワークを考案する。 提案されたMSCFNetは1.15Mパラメータのみを含み、71.9%のMean IoUを実現し、1つのTitan XP GPU構成で50 FPS以上で実行できる。
  論文  参考訳（メタデータ） (2021-03-24T08:28:26Z)
• Bottleneck Transformers for Visual Recognition [97.16013761605254]
  視覚タスクに自己注意を組み込んだ強力なバックボーンアーキテクチャであるBoTNetを提案する。 我々は、ImageNetベンチマークにおいて84.7%のトップ1の精度で高いパフォーマンスを達成するモデルを提案する。 私たちのシンプルで効果的なアプローチが、将来のビジョンのための自己注意モデル研究の強力なベースラインになることを期待しています。
  論文  参考訳（メタデータ） (2021-01-27T18:55:27Z)
• EfficientNet-eLite: Extremely Lightweight and Efficient CNN Models for Edge Devices by Network Candidate Search [13.467017642143583]
  本稿では,資源使用量と性能のトレードオフを研究するために,ネットワーク候補探索(NCS)を提案する。 実験では,EfficientNet-B0から候補CNNモデルを収集し,幅,深さ,入力解像度,複合スケールダウンなど,様々な方法でスケールダウンする。 Application-Specific Integrated Circuit (ASIC)でCNNエッジアプリケーションをさらに採用するために、EfficientNet-eLiteのアーキテクチャを調整し、よりハードウェアフレンドリなバージョンであるEfficientNet-HFを構築します。
  論文  参考訳（メタデータ） (2020-09-16T01:11:10Z)

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。