論文の概要: Learning Task-Aware Sampling with Shared Saliency through Density-Equalizing Mappings

• arxiv url: http://arxiv.org/abs/2606.12869v1
• Date: Thu, 11 Jun 2026 03:56:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.570272
• Title: Learning Task-Aware Sampling with Shared Saliency through Density-Equalizing Mappings
• Title（参考訳）: 密度等化写像による共有親密度によるタスク認識サンプリングの学習
• Abstract要約: 画像と表面に基づく学習タスクにおいて、畳み込みの特徴は通常、一様にサンプリングされる受容場を用いて抽出される。 病的変化が空間的に制限される医療画像では、情報構造が一様に分散されることは滅多にない。 本稿では、密度等化写像を用いた密度等化畳み込みニューラルネットワーク(DECNN)を導入し、学習された密度関数を通して畳み込みを導出する。
• 参考スコア（独自算出の注目度）: 2.8053814478597494
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In image and surface-based learning tasks, convolutional features are typically extracted using receptive fields that are sampled uniformly across the entire domain. However, informative structures are rarely distributed uniformly in practice and are often concentrated in localized regions. Such phenomena are particularly common in medical imaging, where pathological changes are spatially confined. Consequently, uniform convolution allocates equal computational effort to both informative and uninformative regions, resulting in inefficient feature extraction and suboptimal utilization of model capacity. To address this issue, we propose a framework for task-adaptive sampling that dynamically redistributes computational attention according to the spatial importance of the data. Specifically, we introduce the Density-Equalizing Convolutional Neural Network (DECNN), which employs density-equalizing mappings to guide convolution through a learned density function. The density function encodes the relative importance of different regions and induces a transformation that enlarges informative areas while compressing less relevant ones. As a result, convolutional receptive fields are redistributed non-uniformly over the domain, enabling denser sampling in task-relevant regions. By coupling this importance-driven transformation with convolution, DECNN performs adaptive feature extraction that focuses computational resources on informative structures. This leads to more efficient use of model capacity, yielding a lightweight yet expressive architecture while simultaneously producing an interpretable saliency map. Experiments on image classification and craniofacial surface analysis demonstrate that DECNN achieves competitive or superior performance with fewer parameters, accurately identifies task-relevant regions, and remains robust under complex geometric variations.
• Abstract（参考訳）: 画像および表面ベースの学習タスクでは、畳み込みの特徴は通常、ドメイン全体にわたって一様にサンプリングされる受容的フィールドを用いて抽出される。 しかし、情報構造は実際に均一に分布することは稀であり、しばしば地方に集中している。 このような現象は、病的変化が空間的に制限される医療画像において特に一般的である。 その結果、均一な畳み込みは情報的領域と非情報的領域の両方に等しい計算力を割り当て、非効率な特徴抽出とモデルキャパシティの準最適利用をもたらす。 この問題に対処するために,データの空間的重要性に応じて動的に計算注意を再分配するタスク適応サンプリングのためのフレームワークを提案する。 具体的には、密度等化型畳み込みニューラルネットワーク(DECNN)を導入し、密度等化型マッピングを用いて、学習された密度関数を通して畳み込みを導出する。 密度関数は、異なる領域の相対的重要性を符号化し、より重要でない領域を圧縮しながら情報領域を拡大する変換を誘導する。 その結果、畳み込み受容場は非一様にドメイン上に再分配され、タスク関連領域におけるより高密度なサンプリングを可能にする。 この重要性駆動型変換と畳み込みを結合することにより、DECNNは、情報構造に計算資源を集中させる適応的な特徴抽出を行う。 これによりモデルキャパシティの効率が向上し、軽量で表現力豊かなアーキテクチャが実現され、同時に解釈可能なサリエンシマップが作成される。 画像分類と頭蓋顔面表面分析の実験により、DECNNはより少ないパラメータで競争力や優れた性能を達成し、タスク関連領域を正確に識別し、複雑な幾何学的変動の下では頑健であることが示された。

関連論文リスト

• SAND: Spatially Adaptive Network Depth for Fast Sampling of Neural Implicit Surfaces [91.71563221166417]
  入射神経表現は幾何学的モデリングには強力であるが、その実用性は高い計算コストによって制限されることが多い。 本稿では,空間適応型ネットワーク深度を用いた効率的なニューラル暗黙的幾何表現フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-15T14:14:17Z)
• Efficient Large-Deformation Medical Image Registration via Recurrent Dynamic Correlation [3.0110453390062446]
  畳み込みネットワークは局所的な特徴を集約するが、ボクセル対応の直接的なモデリングは欠如している。 大規模変形に対する効率的なマッチングを支援するリカレント相関型マッチングフレームワークを提案する。 脳MRIと腹部CTのデータセットについて,アフィン前登録と非登録の2つの設定で実験を行った。
  論文  参考訳（メタデータ） (2025-10-25T17:49:29Z)
• Improving Efficiency of Iso-Surface Extraction on Implicit Neural Representations Using Uncertainty Propagation [32.329370320329005]
  Inlicit Neural representations (INR) は、科学的データ削減と可視化に広く用いられている。 レンジ解析は、3次元測地におけるINR上の幾何的クエリの効率を向上する有望な結果を示している。 本稿では,算術規則を再検討し,空間領域内におけるネットワーク出力の確率分布を解析することにより,範囲解析のための改良手法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:10:20Z)
• Region-Based Semantic Factorization in GANs [67.90498535507106]
  本稿では,任意の画像領域についてGAN(Generative Adversarial Networks)が学習した潜在意味を分解するアルゴリズムを提案する。 適切に定義された一般化されたレイリー商を通して、アノテーションや訓練なしにそのような問題を解く。 様々な最先端のGANモデルに対する実験結果から,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-02-19T17:46:02Z)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)
• Density-Based Clustering with Kernel Diffusion [59.4179549482505]
  単位$d$次元ユークリッド球のインジケータ関数に対応するナイーブ密度は、密度に基づくクラスタリングアルゴリズムで一般的に使用される。 局所分布特性と滑らかさの異なるデータに適応する新しいカーネル拡散密度関数を提案する。
  論文  参考訳（メタデータ） (2021-10-11T09:00:33Z)
• Featurized Density Ratio Estimation [82.40706152910292]
  本研究では,2つの分布を推定前の共通特徴空間にマッピングするために,可逆生成モデルを活用することを提案する。 この偉業化は、学習された入力空間の密度比が任意に不正確な場合、潜在空間において密度が密接な関係をもたらす。 同時に、特徴写像の可逆性は、特徴空間で計算された比が入力空間で計算された比と同値であることを保証する。
  論文  参考訳（メタデータ） (2021-07-05T18:30:26Z)
• Learning Optical Flow from a Few Matches [67.83633948984954]
  密な相関体積表現は冗長であり、その中の要素のほんの一部で正確なフロー推定が達成できることを示した。 実験により,高い精度を維持しつつ計算コストとメモリ使用量を大幅に削減できることを示した。
  論文  参考訳（メタデータ） (2021-04-05T21:44:00Z)
• Spatially Adaptive Inference with Stochastic Feature Sampling and Interpolation [72.40827239394565]
  スパースサンプリングされた場所のみの機能を計算することを提案する。 次に、効率的な手順で特徴写像を密に再構築する。 提案したネットワークは、様々なコンピュータビジョンタスクの精度を維持しながら、かなりの計算を省くために実験的に示されている。
  論文  参考訳（メタデータ） (2020-03-19T15:36:31Z)

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。