論文の概要: Neural Architecture Distributions: A New Paradigm for Stochastic Segmentation
- arxiv url: http://arxiv.org/abs/2606.21061v1
- Date: Fri, 19 Jun 2026 03:14:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 08:43:02.150338
- Title: Neural Architecture Distributions: A New Paradigm for Stochastic Segmentation
- Title（参考訳）: ニューラルネットワークの分布: 確率的セグメンテーションのための新しいパラダイム
- Authors: Conghui Li, Junhao Huang, Chern Hong Lim, Bing Xue, Mengjie Zhang,
- Abstract要約: セグメンテーションは 一つの画像に対して 複数の可視マスクを 表現しようとしてる
既存のほとんどのメソッドは、連続的な潜伏変数を注入するか、または反復的な軌道案内によって導入する。
セグメンテーションのための新しいソースとしてアーキテクチャ分布を提案する。
- 参考スコア（独自算出の注目度）: 8.128553138697024
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stochastic segmentation seeks to represent multiple plausible masks for a single image, which is essential in safety- and quality-critical applications such as medical imaging or building defect inspection. Most existing methods introduce stochasticity by injecting continuous latent variables or by iterative denoising trajectories, whose stochastic sources are difficult to search or audit directly. We propose architecture distributions as a new stochastic source for segmentation: instead of sampling a latent variable or noise, we sample a discrete architecture from a learned distribution over operator choices at multiple searchable positions in a segmentation backbone. Each sampled architecture yields one mask through the selected active path, so inference depends on the executed subnet rather than the complete candidate bank. This approach also supports architectural provenance, since each output corresponds to a specific architecture configuration. To reduce collapse toward averaged masks, we train with set-level supervision by matching a set of architecture-sampled predictions to the annotation set using an IoU-based energy-distance surrogate. We further construct the candidate bank with evolutionary search, making the support of the stochastic source optimizable before distribution learning. The proposed method achieves state-of-the-art distribution matching and hypothesis coverage on LIDC-IDRI, and remains effective on two extension tasks. To the best of our knowledge, this is the first work to formulate stochastic segmentation as learning an architecture distribution and realizing output diversity through architecture sampling.
- Abstract（参考訳）: 確率的セグメンテーションは、1つの画像に対して複数の可塑性マスクを表現しようとするが、これは医療画像や建物欠陥検査のような安全性と品質に欠かせない応用に不可欠である。
既存のほとんどの手法では、連続潜伏変数を注入したり、確率的情報源を直接的に探索したり監査したりすることが困難である反復的な聴覚的軌跡を注入することで確率性を導入している。
そこで我々は,セグメント化のための新しい確率的情報源としてアーキテクチャ分布を提案する:潜伏変数や雑音をサンプリングする代わりに,セグメント化バックボーン内の複数の探索可能な位置にある演算子選択に関する学習分布から離散的アーキテクチャをサンプリングする。
各サンプルアーキテクチャは選択されたアクティブパスを介して1つのマスクを生成するため、推論は完全な候補バンクではなく実行されたサブネットに依存する。
このアプローチは、それぞれの出力が特定のアーキテクチャ構成に対応するため、アーキテクチャの先行性もサポートします。
平均化マスクに対する崩壊を低減するため,IoUをベースとしたエネルギー依存サロゲートを用いたアノテーションセットに,アーキテクチャサンプルによる予測セットをマッチングすることにより,セットレベルの監視を訓練する。
さらに、進化的探索による候補バンクを構築し、分布学習の前に確率的ソースの支持を最適化する。
提案手法は,LIDC-IDRIにおける現状分布マッチングと仮説カバレッジを実現し,2つの拡張タスクに有効である。
我々の知る限りでは、アーキテクチャの分布を学習し、アーキテクチャのサンプリングを通して出力の多様性を実現するものとして確率的セグメンテーションを定式化する最初の試みである。
関連論文リスト
- Discriminative Flow Matching Via Local Generative Predictors [0.0]
条件付き輸送プロセスとして分類と対象検出を再構成する枠組みを提案する。
本手法では,複数の独立フロー予測器を共有バックボーンにアタッチする。
このアーキテクチャは、アクティベーションメモリを最小化するために、あるいは異なるハードウェア制約に適合するために、ブロックを順次更新する柔軟性を提供する。
論文 参考訳（メタデータ） (2026-03-14T12:56:29Z) - CSMCIR: CoT-Enhanced Symmetric Alignment with Memory Bank for Composed Image Retrieval [54.15776146365823]
Composed Image Retrieval (CIR)では、ユーザーは参照画像と操作テキストの両方を使用してターゲットイメージを検索できる。
CSMCIRは3つの相乗的コンポーネントを通して効率的なクエリターゲットアライメントを実現する統一表現フレームワークである。
論文 参考訳（メタデータ） (2026-01-07T09:21:38Z) - A Refreshed Similarity-based Upsampler for Direct High-Ratio Feature Upsampling [54.05517338122698]
一般的な類似性に基づく機能アップサンプリングパイプラインが提案されている。
本稿では,セマンティック・アウェアとディテール・アウェアの両方の観点から,明示的に制御可能なクエリキー機能アライメントを提案する。
我々は,モーザイクアーティファクトを緩和する上ではシンプルだが有効であるHR特徴に対して,きめ細かな近傍選択戦略を開発する。
論文 参考訳（メタデータ） (2024-07-02T14:12:21Z) - MaskDiff: Modeling Mask Distribution with Diffusion Probabilistic Model
for Few-Shot Instance Segmentation [31.648523213206595]
少数ショットのインスタンスセグメンテーションは、数ショットの学習パラダイムをインスタンスセグメンテーションタスクに拡張する。
従来のアプローチでは、ポイント推定と呼ばれるプロトタイプ学習を通じてその課題に対処しようと試みてきた。
本稿では,二項マスクの条件分布をモデル化したMaskDiffという新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-09T08:24:02Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳（メタデータ） (2022-08-22T14:04:56Z) - A research framework for writing differentiable PDE discretizations in
JAX [3.4389358108344257]
微分可能シミュレータは、強化学習から最適制御まで、いくつかの分野で応用される新しい概念である。
連続関数の族間の写像として作用素を表現し、有限ベクトルでパラメタ化することにより、微分可能作用素と離散化のライブラリを提案する。
本稿では、フーリエスペクトル法を用いてヘルムホルツ方程式を離散化し、勾配勾配を用いて微分可能性を示し、音響レンズの音速を最適化する音響最適化問題に対するアプローチを示す。
論文 参考訳（メタデータ） (2021-11-09T15:58:44Z) - Pareto-wise Ranking Classifier for Multi-objective Evolutionary Neural
Architecture Search [15.454709248397208]
本研究は,多様な設計目的の下で実現可能な深層モデルを見つける方法に焦点を当てる。
オンライン分類器を訓練し、候補と構築された参照アーキテクチャとの優位性関係を予測する。
さまざまな目的や制約の下で、2Mから6Mまでの異なるモデルサイズを持つ多数のニューラルアーキテクチャを見つけます。
論文 参考訳（メタデータ） (2021-09-14T13:28:07Z) - Multi-Source Domain Adaptation for Object Detection [52.87890831055648]
我々は、Divide-and-Merge Spindle Network (DMSN)と呼ばれる、より高速なR-CNNベースのフレームワークを提案する。
DMSNはドメイン非ネイティブを同時に強化し、識別力を維持することができる。
擬似目標部分集合の最適パラメータを近似する新しい擬似学習アルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-30T03:17:20Z) - Distribution-Based Invariant Deep Networks for Learning Meta-Features [2.179313476241343]
確率分布からの深層学習の最近の進歩は、分布サンプルの分類や回帰をうまく達成し、したがってサンプルの置換の下では不変である。
提案したアーキテクチャはDidaと呼ばれ、普遍近似のNN特性を継承し、そのロバスト性w.r.t. Lipschitz-bounded transformations of the input distributionが確立される。
この論文は、データセットレベルで定義された2つのタスクに対するアプローチのメリットを実証的かつ相対的に実証している。
論文 参考訳（メタデータ） (2020-06-24T13:15:50Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z)
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。