論文の概要: SEMIR: Semantic Minor-Induced Representation Learning on Graphs for Visual Segmentation

• arxiv url: http://arxiv.org/abs/2605.12389v1
• Date: Tue, 12 May 2026 16:52:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:57.032827
• Title: SEMIR: Semantic Minor-Induced Representation Learning on Graphs for Visual Segmentation
• Title（参考訳）: SEMIR:ビジュアルセグメンテーションのためのグラフ上でのセマンティックマイナーによる表現学習
• Authors: Luke James Miller, Yugyung Lee,
• Abstract要約: SEMIR(Semantic Minor-induced Representation Learning)は,ネイティブグリッドから推論を分離する表現フレームワークである。 SEMIRは、下層のグリッドグラフを、パラメータ化されたエッジの収縮、ノードの削除、エッジの削除によって、コンパクトで境界に沿ったグラフに変換する。 我々は、SEMIRをBraTS 2021、KiTS23、LiTSの3つの腫瘍セグメンテーションデータセットでベンチマークした。
• 参考スコア（独自算出の注目度）: 1.5222045235700188
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmenting small and sparse structures in large-scale images is fundamentally constrained by voxel-level, lattice-bound computation and extreme class imbalance -- dense, full-resolution inference scales poorly and forces most pipelines to rely on fixed regionization or downsampling, coupling computational cost to image resolution and attenuating boundary evidence precisely where minority structures are most informative. We introduce SEMIR (Semantic Minor-Induced Representation Learning), a representation framework that decouples inference from the native grid by learning a task-adapted, topology-preserving latent graph representation with exact decoding. SEMIR transforms the underlying grid graph into a compact, boundary-aligned graph minor through parameterized edge contraction, node deletion, and edge deletion, while preserving an exact lifting map from minor predictions to lattice labels. Minor construction is formalized as a few-shot structure learning problem that replaces hand-tuned preprocessing with a boundary-alignment objective: minor parameters are learned by maximizing agreement between predicted boundary elements and target-specific semantic edges under a boundary Dice criterion, and the induced minor is annotated with scale- and rotation-robust geometric and intensity descriptors and supports efficient region-level inference via message passing on a graph neural network (GNN) with relational edge features. We benchmark SEMIR on three tumor segmentation datasets -- BraTS 2021, KiTS23, and LiTS -- where targets exhibit high structural variability and distributional uncertainty. SEMIR yields consistent improvements in minority-structure Dice at practical runtime. More broadly, SEMIR establishes a framework for learning task-adapted, topology-preserving latent representations with exact decoding for high-resolution structured visual data.
• Abstract（参考訳）: 大規模な画像に小さなスパース構造を分割することは、基本的にボクセルレベル、格子バウンド計算、極端なクラス不均衡によって制約される -- 密度の高いフル解像度の推論スケールは貧弱であり、ほとんどのパイプラインは固定された領域化やダウンサンプリングに頼らざるを得ず、計算コストを画像解像度に結合し、マイノリティ構造が最も有益な境界証拠を正確に減らしている。 SEMIR(Semantic Minor-induced Representation Learning)は,タスク適応型トポロジ保存型潜在グラフ表現を正確なデコーディングで学習することにより,ネイティブグリッドからの推論を分離する表現フレームワークである。 SEMIRは、基礎となるグリッドグラフを、パラメータ化されたエッジの収縮、ノードの削除、エッジの削除を通じて、小さな予測から格子ラベルへの正確なリフトマップを保持しながら、コンパクトで境界に沿ったグラフに変換する。 マイナーなパラメータは、予測境界要素と境界Dice criterionの下でのターゲット固有のセマンティックエッジとの一致を最大化することにより学習され、誘導されたマイナーはスケールと回転の幾何学的および強度記述子で注釈付けされ、グラフニューラルネットワーク(GNN)上のメッセージパスによる効率的な領域レベルの推論をサポートする。 我々は、SEMIRをBraTS 2021、KiTS23、LiTSの3つの腫瘍セグメンテーションデータセットでベンチマークした。 SEMIRは、マイノリティ構造Diceを実用的な実行時に一貫した改善をもたらす。 より広範に、SEMIRは、高解像度な構造化された視覚データのための正確な復号化を伴うタスク適応型トポロジ保存潜在表現を学習するためのフレームワークを確立する。

関連論文リスト

• DS-Span: Single-Phase Discriminative Subgraph Mining for Efficient Graph Embeddings [0.7340017786387767]
  DS-Spanは単相識別サブグラフマイニングフレームワークである。 これは、パターン成長、プルーニング、および監視駆動のスコアを検索空間の1つに統合する。 従来の多段法よりもコンパクトで差別的な部分グラフ特徴を生成する。
  論文  参考訳（メタデータ） (2025-11-21T17:17:51Z)
• A Remedy for Over-Squashing in Graph Learning via Forman-Ricci Curvature based Graph-to-Hypergraph Structural Lifting [0.0]
  本稿では,エッジベースのネットワーク特性を定義するForman-Ricci曲率を用いた構造昇降戦略を提案する。 曲線は、ネットワークのバックボーンのようなグラフの局所的および大域的特性を明らかにする。 我々のアプローチは、長距離を横断するメッセージパッシングやグラフボトルネックにおける情報歪みの問題に対処する手段を提供する。
  論文  参考訳（メタデータ） (2025-08-15T10:46:27Z)
• Graph Structure Refinement with Energy-based Contrastive Learning [56.957793274727514]
  グラフの構造と表現を学習するための生成訓練と識別訓練のジョイントに基づく教師なし手法を提案する。 本稿では,ECL-GSR(Energy-based Contrastive Learning)によるグラフ構造再構成(GSR)フレームワークを提案する。 ECL-GSRは、主要なベースラインに対するサンプルやメモリの少ない高速なトレーニングを実現し、下流タスクの単純さと効率性を強調している。
  論文  参考訳（メタデータ） (2024-12-20T04:05:09Z)
• SwIPE: Efficient and Robust Medical Image Segmentation with Implicit Patch Embeddings [12.79344668998054]
  正確な局所境界線とグローバルな形状コヒーレンスを実現するために,SwIPE(Segmentation with Implicit Patch Embeddings)を提案する。 その結果,最近の暗黙的アプローチよりもSwIPEは大幅に改善され,パラメータが10倍以上の最先端の離散手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-07-23T20:55:11Z)
• Comprehensive Graph Gradual Pruning for Sparse Training in Graph Neural Networks [52.566735716983956]
  本稿では,CGPと呼ばれるグラフの段階的プルーニングフレームワークを動的にGNNに提案する。 LTHに基づく手法とは異なり、提案手法では再学習を必要とせず、計算コストを大幅に削減する。 提案手法は,既存の手法の精度を一致させたり,あるいは超えたりしながら,トレーニングと推論の効率を大幅に向上させる。
  論文  参考訳（メタデータ） (2022-07-18T14:23:31Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• SCG-Net: Self-Constructing Graph Neural Networks for Semantic Segmentation [23.623276007011373]
  本稿では,画像から直接長距離依存グラフを学習し,コンテキスト情報を効率的に伝達するモジュールを提案する。 モジュールは、新しい適応対角法と変分下界により最適化される。 ニューラルネットワーク(SCG-Net)に組み込まれると、セマンティックセグメンテーションがエンドツーエンドで行われ、競争性能が向上する。
  論文  参考訳（メタデータ） (2020-09-03T12:13:09Z)

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。