論文の概要: Deep Image Segmentation via Discriminant Feature Learning

• arxiv url: http://arxiv.org/abs/2605.14609v1
• Date: Thu, 14 May 2026 09:25:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.750525
• Title: Deep Image Segmentation via Discriminant Feature Learning
• Title（参考訳）: 識別的特徴学習によるDeep Image Segmentation
• Authors: Adam Dawid Sztamborski, Raül Pérez-Gonzalo, Antonio Agudo,
• Abstract要約: この研究は、ネットワークトレーニングの古典的な差別的原則を組み込んだ、微分可能でアーキテクチャに依存しない損失関数であるDeep Discriminant Analysis (DDA)を導入している。 DDAはクラス内の分散を最小化しながらクラス間の分散を最大化し、推論コストを増大させることなく、コンパクトで分離可能な特徴分布を促進する。
• 参考スコア（独自算出の注目度）: 17.344021694835345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate image segmentation remains challenging, particularly in generating sharp, confident boundaries. While modern architectures have advanced the field, many of them still rely on standard loss functions like Cross-Entropy and Dice, which often neglect the discriminative structure of learned features, leading to inaccurate boundaries. This work introduces Deep Discriminant Analysis (DDA), a differentiable, architecture-agnostic loss function that embeds classical discriminant principles for network training. DDA explicitly maximizes between-class variance while minimizing within-class one, promoting compact and separable feature distributions without increasing inference cost. Evaluations on the DIS5K benchmark demonstrate that DDA consistently improves segmentation accuracy, boundary sharpness, and model confidence across various architectures. Our results show that integrating discriminant analysis offers a simple, effective path for building more robust segmentation models.
• Abstract（参考訳）: 正確な画像のセグメンテーションは、特にシャープで確実な境界を生成する上で、依然として困難である。 現代建築はこの分野を前進させたが、その多くがクロスエントロピーやディースのような標準的な損失関数に依存しており、しばしば学習された特徴の識別的構造を無視し、不正確な境界をもたらす。 この研究は、ネットワークトレーニングの古典的な差別的原則を組み込んだ、微分可能でアーキテクチャに依存しない損失関数であるDeep Discriminant Analysis (DDA)を導入している。 DDAはクラス内の分散を最大化しつつ、クラス内の分散を最大化し、推論コストを増大させることなく、コンパクトで分離可能な特徴分布を促進する。 DIS5Kベンチマークの評価では、DDAは様々なアーキテクチャにおけるセグメンテーション精度、バウンダリシャープネス、モデルの信頼性を一貫して改善している。 以上の結果から,識別分析の統合は,より堅牢なセグメンテーションモデルを構築する上で,シンプルで効果的な方法であることがわかった。

関連論文リスト

• A Gift from the Integration of Discriminative and Diffusion-based Generative Learning: Boundary Refinement Remote Sensing Semantic Segmentation [8.690665954055476]
  本稿では,IDGBRフレームワークにおける識別学習と生成学習の統合を提案する。 フレームワークはまず、識別バックボーンモデルを用いて粗いセグメンテーションマップを生成する。 この地図と原画像とを条件付きガイダンスネットワークに入力し、ガイダンス表現を共同で学習する。
  論文  参考訳（メタデータ） (2025-07-02T10:47:59Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Towards Robust Out-of-Distribution Generalization: Data Augmentation and Neural Architecture Search Approaches [4.577842191730992]
  我々は、ディープラーニングのための堅牢なOoD一般化への道を探る。 まず,認識に必須でない特徴間の素早い相関を解消するための,新しい効果的なアプローチを提案する。 次に,OoDシナリオにおけるニューラルアーキテクチャ探索の強化問題について検討する。
  論文  参考訳（メタデータ） (2024-10-25T20:50:32Z)
• Optimizing against Infeasible Inclusions from Data for Semantic Segmentation through Morphology [58.17907376475596]
  最先端セマンティックセグメンテーションモデルは通常、データ駆動方式で最適化される。 InSeInは、手元に設定されたセグメンテーショントレーニングから空間クラス関係を規定する明示的な包含制約を抽出する。 そして、予測可能性を促進するために、トレーニング中にこれらの制約の違反を罰する形態的だが差別的な損失を強制する。
  論文  参考訳（メタデータ） (2024-08-26T22:39:08Z)
• One-for-All: Bridge the Gap Between Heterogeneous Architectures in Knowledge Distillation [69.65734716679925]
  知識蒸留は,教師が指導する学習手法を通じて,モデル性能を向上させる上で,極めて効果的な手法であることが証明されている。 既存の蒸留法のほとんどは、教師と生徒のモデルが同じモデルファミリーに属するという前提で設計されている。 我々は, ヘテロジニアスアーキテクチャ間の蒸留性能を大幅に向上させる, OFA-KDという, 単純で効果的な一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元
  論文  参考訳（メタデータ） (2023-10-30T11:13:02Z)
• Unsupervised Domain Adaptation for Cardiac Segmentation: Towards Structure Mutual Information Maximization [0.8959391124399926]
  教師なし領域適応アプローチは、様々な医用画像分割タスクに成功している。 UDA-VAE++は、コンパクトな損失関数を下限とする心臓セグメンテーションのための教師なしドメイン適応フレームワークである。 我々のモデルは、過去の最先端の質的、定量的に優れている。
  論文  参考訳（メタデータ） (2022-04-20T09:10:18Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Lookahead Adversarial Learning for Near Real-Time Semantic Segmentation [2.538209532048867]
  我々は,最先端セグメンテーションモデル(DeepLabv3+)をコアとした条件付き対向ネットワークを構築した。 我々は、ほぼリアルタイムなフィールドアプリケーションのための推論で高速に実行されるセグメンテーションモデルに焦点を当てる。
  論文  参考訳（メタデータ） (2020-06-19T17:04:38Z)

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。