論文の概要: Rate-optimal neural boundary detection from unlabeled noisy images

• arxiv url: http://arxiv.org/abs/2606.00715v1
• Date: Sat, 30 May 2026 12:58:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.670188
• Title: Rate-optimal neural boundary detection from unlabeled noisy images
• Title（参考訳）: ラベルなし雑音画像からの速度-最適神経境界検出
• Authors: Kyeongho Kim, Ilsang Ohn,
• Abstract要約: 統計的観点からラベル付き雑音画像の境界検出について検討した。 頑健なギブスの後部アプローチにより, 境界検出のための連続的なヒンジ型サロゲート損失を提案する。 提案した損失は勾配に基づく最適化に有効であり、複雑なオブジェクト境界を表現するためにディープニューラルネットワークと組み合わせることができる。
• 参考スコア（独自算出の注目度）: 1.8620637029128548
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study boundary detection for unlabeled noisy images from a statistical perspective. The aim is to recover an unknown object region from raw intensity observations without pixel-wise annotating labels or a parametric model for the intensity distributions. Motivated by robust Gibbs posterior approaches based on thresholded misclassification losses, we propose a continuous hinge-type surrogate loss for boundary detection. The proposed loss is amenable to gradient-based optimization and can be combined with deep neural networks to represent complex object boundaries. We prove that the proposed loss function is Fisher consistent under a mild separation assumption and obtain a calibration inequality linking excess surrogate risk to the symmetric difference error of the estimated region. Under a piecewise smooth boundary model, we prove that the resulting deep neural network estimator achieves the minimax-optimal boundary recovery rate, up to logarithmic factors. The piecewise smooth formulation accommodates boundaries with corners and kinks, thereby extending beyond globally smooth boundary models. Numerical experiments demonstrate that the proposed method accurately and stably recovers object boundaries across a range of noise levels and shape configurations, and compares favorably with existing unsupervised boundary detection methods.
• Abstract（参考訳）: 統計的観点からラベル付き雑音画像の境界検出について検討した。 本研究の目的は, 画素単位のアノテートラベルやパラメトリックモデルを用いずに, 生の強度観測から未知の物体領域を復元することである。 しきい値の誤分類損失に基づいて,ロバストなギブスの後部アプローチを動機として,境界検出のための連続的なヒンジ型代理損失を提案する。 提案した損失は勾配に基づく最適化に有効であり、複雑なオブジェクト境界を表現するためにディープニューラルネットワークと組み合わせることができる。 提案した損失関数は, 軽度の分離仮定の下で一貫したフィッシャーであることが証明され, 推定領域の対称差誤差に過剰な代理リスクをリンクする校正不等式が得られる。 分割的スムーズな境界モデルの下では、結果のディープニューラルネットワーク推定器が対数係数まで、最小限の最適境界回復率を達成することを証明している。 片方向の滑らかな定式化は、コーナーやキンクとのバウンダリを許容し、グローバルなスムーズなバウンダリモデルを超えて拡張する。 数値実験により,提案手法は様々な騒音レベルおよび形状の物体境界を高精度かつ安定に復元し,既存の教師なし境界検出法と比較した。

関連論文リスト

• Clipping Bottleneck: Stabilizing RLVR via Stochastic Recovery of Near-Boundary Signals [83.0127582612634]
  Near-boundary Rescue (NSR) は最小限のプラグ・アンド・プレイの修正であり、失った信号を回復するために、アウト・オブ・バウンドトークンを保持する。 NSRはトレーニングの安定性を大幅に改善し、DAPOやGSPOといった強力なベースライン上で一貫したゲインを提供する。
  論文  参考訳（メタデータ） (2026-05-21T16:45:31Z)
• Rethinking Contrastive Learning in Graph Anomaly Detection: A Clean-View Perspective [54.605073936695575]
  グラフ異常検出は、Webセキュリティやファイナンシャル不正検出などの分野で広く応用されているグラフベースのデータにおいて、異常なパターンを特定することを目的としている。 既存の手法は対照的な学習に依存しており、ノードとその局所部分グラフの間のより低い類似性は異常を示すと仮定する。 干渉エッジの存在は、対照的な学習過程を損なう破壊的なノイズをもたらすため、この仮定を無効にする。 コントラスト学習プロセスにおいて重要な干渉源を特定するために,複数スケールの異常認識モジュールを含むクリーンビュー拡張グラフ異常検出フレームワーク(CVGAD)を提案する。
  論文  参考訳（メタデータ） (2025-05-23T15:05:56Z)
• Verification of Geometric Robustness of Neural Networks via Piecewise Linear Approximation and Lipschitz Optimisation [57.10353686244835]
  我々は、回転、スケーリング、せん断、翻訳を含む入力画像の幾何学的変換に対するニューラルネットワークの検証の問題に対処する。 提案手法は, 分枝・分枝リプシッツと組み合わせたサンプリングおよび線形近似を用いて, 画素値に対する楽音線形制約を求める。 提案手法では,既存の手法よりも最大32%の検証ケースが解決されている。
  論文  参考訳（メタデータ） (2024-08-23T15:02:09Z)
• Critical Points and Convergence Analysis of Generative Deep Linear Networks Trained with Bures-Wasserstein Loss [2.294014185517203]
  本稿では,バーレス=ヴァッサーシュタイン距離で学習した共分散行列の行列分解モデルについて考察する。 階数有界行列の空間上のバーレス=ヴァッサーシュタイン距離の臨界点と最小化器を特徴づける。 有限段勾配勾配のスムーズな摂動バージョンを用いて勾配流の収束結果を確立する。
  論文  参考訳（メタデータ） (2023-03-06T10:56:14Z)
• Convergence of uncertainty estimates in Ensemble and Bayesian sparse model discovery [4.446017969073817]
  ブートストラップに基づく逐次しきい値最小二乗推定器による雑音に対する精度と頑健性の観点から経験的成功を示す。 このブートストラップに基づくアンサンブル手法は,誤差率の指数収束率で,確率的に正しい可変選択を行うことができることを示す。
  論文  参考訳（メタデータ） (2023-01-30T04:07:59Z)
• Learning Crisp Boundaries Using Deep Refinement Network and Adaptive Weighting Loss [15.867750740607864]
  最近の境界検出モデルは、(物体の輪郭に沿って正確に位置付けられた)「クリップ」境界に焦点を当てている 本稿では,よりリッチな特徴表現と新たな損失関数を実現するために,複数の改良モジュールを積み重ねたDep refinement Network(DRNet)を提案する。 実験の結果,いくつかの利用可能なデータセットの最先端性能が得られた。
  論文  参考訳（メタデータ） (2021-02-02T04:22:35Z)
• DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
  関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。 対象境界を検出するために,2つの予測層を持つフレームワークを提案する。 我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
  論文  参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。