論文の概要: ConnectomeBench2: A Unified Benchmark for Automated Connectomic Proofreading

• arxiv url: http://arxiv.org/abs/2606.21116v1
• Date: Fri, 19 Jun 2026 05:37:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 08:14:08.118881
• Title: ConnectomeBench2: A Unified Benchmark for Automated Connectomic Proofreading
• Title（参考訳）: ConnectomeBench2: 自動接続証明のための統一ベンチマーク
• Authors: Jeff Brown, Tim Farkas, Gleb Razgar, Edward S. Boyden,
• Abstract要約: ConnectomeBench2は、716,485以上の専門家がラベル付けした証明読解決定を統一した多種データセットです。 メッシュ幾何学と電子顕微鏡のための共有エンコーダを持つ単一のビジョン変換器は、分割誤差補正とマージエラー識別のために、種間で人間レベルの精度に達する。 このベンチマークは、コネクトロミックな証明読解のための、ますます有能なビジョンモデルを訓練し、評価するインフラを提供する。
• 参考スコア（独自算出の注目度）: 0.1527216171684335
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Proofreading--correcting segmentation errors in 3D brain reconstructions--is the rate-limiting step in synapse-resolution connectomics. We release ConnectomeBench2, a unified multi-species dataset of over 716,485 expert-labeled proofreading decisions with >4,500,000 associated images spanning four major open connectomes (mouse, human, zebrafish, fly), spanning both split and merge error correction. Trained on this dataset, a single Vision Transformer with shared encoders for mesh geometry and electron microscopy reaches human-level accuracy across species for split error correction and merge error identification, with performance scaling with data size and modality. Beyond accuracy, we show that the model is well-calibrated within distribution, that measures of distribution distance predict where calibration and accuracy will degrade on unseen data, and that connectomics-specific pretraining and active learning-based sample selection show potential to substantially reduce the labeling effort needed to extend to new species and brain regions. The benchmark provides the infrastructure to train and evaluate increasingly capable vision models for connectomic proofreading. Data and code availability. The ConnectomeBench2 dataset is released on Hugging Face at https://huggingface.co/datasets/jeffbbrown2/ConnectomeBench2. The accompanying codebase is available on GitHub at https://github.com/timfarkas/ConnectomeBench2.
• Abstract（参考訳）: 3次元脳再構築におけるセグメンテーションの誤りの訂正--シナプス分解能コネクトロミクスにおけるレート制限ステップである。 ConnectomeBench2は、716,485以上の専門家によってラベル付けされた証明読解決定の統一されたデータセットで、4つの主要なオープンコネクトーム(マウス、人間、ゼブラフィッシュ、フライ)にまたがる4つの画像(マウス、人間、ゼブラフィッシュ、フライ)を対象とする。 このデータセットに基づいてトレーニングされた、メッシュ幾何学と電子顕微鏡のための共有エンコーダを備えた単一のビジョントランスフォーマーは、データサイズとモダリティによるパフォーマンススケーリングを備えた分割エラー補正とマージエラー識別のために、種間で人間レベルの精度に達する。 精度の他に、分布距離の測定値が不明瞭なデータに対してキャリブレーションと精度の低下を予測し、コネクトロミクス固有の事前学習とアクティブな学習に基づくサンプル選択は、新しい種や脳領域への拡張に必要なラベル付けの労力を大幅に削減する可能性があることを示す。 このベンチマークは、コネクトロミックな証明読解のための、ますます有能なビジョンモデルを訓練し、評価するインフラを提供する。 データとコードの可用性。 ConnectomeBench2データセットは、Hugging Face at https://huggingface.co/datasets/jeffbbrown2/ConnectomeBench2でリリースされた。 付属するコードベースはGitHubでhttps://github.com/timfarkas/ConnectomeBench2.comで公開されている。

関連論文リスト

• SurgFormer: Scalable Learning of Organ Deformation with Resection Support and Real-Time Inference [14.49835131603816]
  本稿では,データ駆動型軟組織シミュレーションのための多分解能ゲートトランスであるSurgFormerを紹介する。 高忠実度バイオメカニカル・ソルバは対話的利用には高コストであることが多いので、我々はSurgFormerをデザイナ生成データで訓練し、ノード幅の変位場を予測する。 SurgFormerは良好な効率で高い精度を達成し、両方のタスクの実践的なバックボーンとなる。
  論文  参考訳（メタデータ） (2026-03-06T18:29:47Z)
• The Mean is the Mirage: Entropy-Adaptive Model Merging under Heterogeneous Domain Shifts in Medical Imaging [3.597779662054083]
  予期せぬテスト時間分散シフトの下でのモデルのマージは、平均的な信頼性の低下など、単純な戦略を反映することが多い。 本稿では,前方パスのみを介してバッチ固有のマージモデルを生成するエントロピー適応型完全オンラインモデルマージ手法を提案する。 本研究では,9つの医学領域および自然領域の一般化画像分類データセットにまたがる2つのバックボーンを用いて,最先端のベースラインを用いた手法を広範に評価した。
  論文  参考訳（メタデータ） (2026-02-24T21:06:19Z)
• ConnectomeBench: Can LLMs Proofread the Connectome? [0.4999814847776097]
  ConnectomeBenchは,大規模言語モデル(LLM)の能力を評価するベンチマークで,3つの重要な証明読解タスクについて紹介する。 我々は,Claude 3.7/4 Sonnet, o4-mini, GPT-4.1, GPT-4o, InternVL-3 や NVLM などのオープンソースモデルを含む,プロプライエタリなマルチモーダル LLM の評価を行った。 その結果, セグメント識別において, 現在のモデルが驚くほど高い性能を発揮することが示された。 最高のモデルはまだ専門家のパフォーマンスに遅れを取っているが、最終的にはコネクトロミクスにおける人間の証明読解の強化と置き換えを可能にする有望な能力を実証している。
  論文  参考訳（メタデータ） (2025-10-31T02:20:38Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Hyperbolic Vision Transformers: Combining Improvements in Metric Learning [116.13290702262248]
  計量学習のための新しい双曲型モデルを提案する。 本手法のコアとなるのは、双曲空間にマッピングされた出力埋め込みを備えた視覚変換器である。 4つのデータセットに6つの異なる定式化を施したモデルの評価を行った。
  論文  参考訳（メタデータ） (2022-03-21T09:48:23Z)
• Comprehensive Graph-conditional Similarity Preserving Network for Unsupervised Cross-modal Hashing [97.44152794234405]
  教師なしクロスモーダルハッシュ(UCMH)は近年ホットトピックとなっている。 本稿では,dgcpn(deep graph-neighbor coherence preservation network)を考案する。 DGCPNは3種類のデータ類似性を利用して、損失を保存する包括的な類似性を管理する。
  論文  参考訳（メタデータ） (2020-12-25T07:40:59Z)
• Online Missing Value Imputation and Change Point Detection with the Gaussian Copula [21.26330349034669]
  実世界のデータサイエンスにとって、値計算の欠如は不可欠である。 ガウスコプラを用いた混合データに対するオンライン計算アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-25T16:27:47Z)
• Collaborative Boundary-aware Context Encoding Networks for Error Map Prediction [65.44752447868626]
  本稿では,AEP-Net と呼ばれる協調的コンテキスト符号化ネットワークを提案する。 具体的には、画像とマスクのより優れた特徴融合のための協調的な特徴変換分岐と、エラー領域の正確な局所化を提案する。 AEP-Netはエラー予測タスクの平均DSCが0.8358,0.8164であり、ピアソン相関係数が0.9873である。
  論文  参考訳（メタデータ） (2020-06-25T12:42:01Z)
• Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
  本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。 そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。 最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
  論文  参考訳（メタデータ） (2020-03-10T03:10:41Z)

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。