論文の概要: SEMIR: Topology-Preserving Graph Minors for Thin-Structure Segmentation

• arxiv url: http://arxiv.org/abs/2606.24935v1
• Date: Mon, 22 Jun 2026 14:43:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 21:36:10.192631
• Title: SEMIR: Topology-Preserving Graph Minors for Thin-Structure Segmentation
• Title（参考訳）: SEMIR:Thin-Structure Segmentationのためのトポロジ保存グラフマイナ
• Abstract要約: SEMIRはピクセル格子をパラメータ化グラフマイナーに置き換えるフレームワークである。 軽量GNNは縮小グラフを分類し、正確なマップはピクセル解像度に予測を持ち上げる。 1つのパイプライン・アイデンティティ・アーキテクチャ-TTPLA(パワーライン)のドメイン固有のベースライン、CrackSeg9k(舗装クラック)、Dice、IoU、Boundary F1のSkyScapes Lane(空中マーキング)をマッチまたは越える。
• 参考スコア（独自算出の注目度）: 1.5222045235700188
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thin-structure segmentation--power lines, cracks, lane markings at 1-3 pixel width--requires preserving connectivity that standard representations preclude: patching severs continuous structures and conventional superpixels merge thin targets into background before classification. Topology-aware losses penalize connectivity breaks at the objective level but cannot recover what the representation has already destroyed. We propose SEMIR, a framework that replaces the pixel lattice with a parameterized graph minor whose contraction map preserves thin-structure connectivity under the contraction criterion. The minor collapses millions of pixels into tens or hundreds of boundary-aligned supernodes, enabling full-resolution inference without patching at scales demonstrated up to 21 MP in this paper; a lightweight GNN classifies the reduced graph and an exact map lifts predictions to pixel resolution. One pipeline--identical architecture, features, loss, and GNN hyperparameters across all dataset--matches or exceeds domain-specific baselines on TTPLA (power lines), CrackSeg9k (pavement cracks), and SkyScapes Lane (aerial markings) on Dice, IoU, and Boundary F1 while reducing mask fragmentation by at least 4.6x relative to SLIC at matched inference.
• Abstract（参考訳）: 薄い構造のセグメンテーション - パワーライン、クラック、レーンマーキングを1-3ピクセル幅で保存する-標準表現が妨げる接続を要求: シーバーの連続構造と従来のスーパーピクセルは、分類前に薄いターゲットを背景にマージする。 トポロジに注意する損失は、目的レベルで接続をペナルティ化するが、表現が既に破壊しているものを回復することはできない。 本稿では,SEMIRを提案する。SEMIRは,画素格子をパラメータ化グラフマイノリティに置き換えるフレームワークであり,その縮退マップは,縮退条件下での細い構造接続を保っている。 本論文では, 数百万ピクセルを数十, 数百の超ノードに分解し, スケールのパッチを伴わずに全解像度の推測が可能であり, 軽量GNNが縮小グラフを分類し, 正確な地図が画素解像度まで予測をリフトする。 1つのパイプライン型アーキテクチャ、機能、損失、GNNハイパーパラメータは、すべてのデータセットにまたがって、TTPLA(パワーライン)、CrackSeg9k(舗装クラック)、Dice、IoU、Boundary F1上のSkyScapes Lane(空中マーキング)のドメイン固有のベースラインを越え、一致する推論でSLICと比較してマスクの断片化を少なくとも4.6倍削減する。

関連論文リスト

• Widest-Path Reachability Fields for Connectivity-Preserving Slender Structure Segmentation [3.8331203995580565]
  WPRF(Widest-Path Reachability Fields)は、勾配流を接続ボトルネックにリダイレクトする、微分可能なMax-Minリーチビリティーの目的である。 WPRFは、ドメイン制限グラフ上の動的プログラミングを通じて、差別化可能なMax-Minの目的を実装している。 9つのアーキテクチャと6つのデータセットにわたる実験は、ボトルネック中心の勾配ルーティングメカニズムを検証する。
  論文  参考訳（メタデータ） (2026-07-08T08:04:06Z)
• SEMIR: Semantic Minor-Induced Representation Learning on Graphs for Visual Segmentation [1.5222045235700188]
  SEMIR(Semantic Minor-induced Representation Learning)は,ネイティブグリッドから推論を分離する表現フレームワークである。 SEMIRは、下層のグリッドグラフを、パラメータ化されたエッジの収縮、ノードの削除、エッジの削除によって、コンパクトで境界に沿ったグラフに変換する。 我々は、SEMIRをBraTS 2021、KiTS23、LiTSの3つの腫瘍セグメンテーションデータセットでベンチマークした。
  論文  参考訳（メタデータ） (2026-05-12T16:52:02Z)
• FMS$^2$: Unified Flow Matching for Segmentation and Synthesis of Thin Structures [1.3111058225843968]
  2つのモジュールを持つフローマッチングフレームワークであるFMS$2$を提案する。 SegFlowは標準的なエンコーダ/デコーダのバックボーン上に構築された2.96Mパラメータセグメンテーションモデルである。 SynFlowはマスク付きマスク$rightarrow$イメージジェネレータで、ピクセル対応の合成イメージマスクペアを生成する。
  論文  参考訳（メタデータ） (2026-03-14T00:04:25Z)
• ContextLoss: Context Information for Topology-Preserving Segmentation [2.2742404315918927]
  臨界画素マスクにおけるトポロジカルな誤りを考慮し,トポロジカルな正当性を向上する新しい損失関数 ContextLoss (CLoss) を提案する。 提案したCLossを3つの公開データセット(2Dと3D)と骨セメントラインの3Dナノイメージングデータセットでベンチマークした。
  論文  参考訳（メタデータ） (2025-06-10T19:09:52Z)
• Hierarchical Superpixel Segmentation via Structural Information Theory [48.488598357738674]
  スーパーピクセルセグメンテーションは多くの高レベルのコンピュータビジョンタスクの基礎となっている。 構造情報理論に基づく階層的スーパーピクセルセグメンテーション手法であるSIT-HSSを提案する。 SIT-HSSは、最先端の教師なしスーパーピクセルセグメンテーションアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:39:43Z)
• DepGraph: Towards Any Structural Pruning [68.40343338847664]
  我々は、CNN、RNN、GNN、Transformersのような任意のアーキテクチャの一般的な構造解析について研究する。 本稿では,階層間の依存関係を明示的にモデル化し,包括的にグループ化してプルーニングを行う汎用かつ完全自動な手法であるemphDependency Graph(DepGraph)を提案する。 本研究では,画像用ResNe(X)t,DenseNet,MobileNet,Vision Transformer,グラフ用GAT,3Dポイントクラウド用DGCNN,言語用LSTMなど,さまざまなアーキテクチャやタスクに関する手法を広範囲に評価し,言語用LSTMと並行して示す。
  論文  参考訳（メタデータ） (2023-01-30T14:02:33Z)
• PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
  ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。 3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。 本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
  論文  参考訳（メタデータ） (2022-03-13T15:17:41Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• Look Closer to Segment Better: Boundary Patch Refinement for Instance Segmentation [51.59290734837372]
  境界品質を改善するために,概念的にシンプルで効果的な後処理改善フレームワークを提案する。 提案されたBPRフレームワークは、CityscapesベンチマークのMask R-CNNベースラインを大幅に改善する。 BPRフレームワークをPolyTransform + SegFixベースラインに適用することで、Cityscapesのリーダーボードで1位に到達しました。
  論文  参考訳（メタデータ） (2021-04-12T07:10:48Z)
• Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
  境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。 basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。 BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
  論文  参考訳（メタデータ） (2021-01-12T19:20:26Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。