論文の概要: HyperBank: A Differentiable Bank of Classical Priors for Few-Shot Spheroid Microscopy Segmentation
- arxiv url: http://arxiv.org/abs/2607.10684v1
- Date: Sun, 12 Jul 2026 10:14:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.504776
- Title: HyperBank: A Differentiable Bank of Classical Priors for Few-Shot Spheroid Microscopy Segmentation
- Title（参考訳）: HyperBank:Few-Shot Spheroid Microscopy Segmentationのための従来の銀行
- Abstract要約: わずかなスフェロイドセグメンテーションは、新しい細胞株、顕微鏡、照明条件に適応する必要がある。
基礎となるいくつかのショットセグメンタは正確だが、その大きな不透明なバックボーンは、どの視覚的手がかりが成功または失敗を引き起こすかを理解するのが困難である。
ハイパーバンクは、フランジ血管性、ソーヴォーラしきい値ピラミッド、構造テンソル応答、勾配等級、ラプラシア・オブ・ガウスフィルタを組み合わせた古典的な画像処理オペレータの微分可能なバンクである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot spheroid segmentation must adapt to new cell lines, microscopes, and illumination conditions from only a small set of annotated images. While foundation few-shot segmenters can be accurate, their large opaque backbones make it difficult to understand which visual cues drive success or failure. We study this question with HyperBank, a differentiable bank of classical image-processing operators combining Frangi vesselness, a Sauvola threshold pyramid, structure-tensor responses, gradient magnitude, and Laplacian-of-Gaussian filters. HyperBank is fitted on the annotated support images and evaluated on disjoint held-out images across three independently acquired spheroid datasets. We treat it not as a general replacement for foundation models, but as a compact, interpretable few-shot microscopy pipeline and an analytic-prior probe of which classical cues carry the few-shot signal. The results show that, adapted on the same few annotated support images, a compact bank of analytic priors is competitive with, and on small-cluster, contrast-driven data can outperform, much larger foundation models, while those models remain stronger on externally sourced, texture-dominated spheroids. Leave-one-family-out ablations indicate that the useful few-shot signal is distributed across operator families and strengthened by support-set-tuned morphology.
- Abstract（参考訳）: スローショットの球状セグメンテーションは新しい細胞株、顕微鏡、少量の注釈付き画像からの照明条件に適応する必要がある。
基礎となるいくつかのショットセグメンタは正確だが、その大きな不透明なバックボーンは、どの視覚的手がかりが成功または失敗を引き起こすかを理解するのが困難である。
本稿では,Frangi血管性,ソーヴォーラしきい値ピラミッド,構造テンソル応答,勾配等級,ラプラシアン・オブ・ガウスフィルタを組み合わせた古典的画像処理演算子の微分可能なバンクであるHyperBankを用いて検討する。
HyperBankはアノテートされたサポートイメージに適合し、3つの独立して取得したスフェロイドデータセットをまたいだ、結合しないホールトアウトイメージで評価される。
基礎モデルの一般的な代替としてではなく、コンパクトで解釈可能な数発のマイクロスコープパイプラインと、古典的キューが数発の信号を運ぶ解析的プリアプローブとして扱う。
以上の結果から, コントラスト駆動型データは, 外部ソース, テクスチャを主成分とする球面モデルよりも優れている一方で, コントラスト駆動型データの方がはるかに大きな基礎モデルよりも優れていることが示唆された。
左ワンファミリーアウトアブレーションは、有用な小ショット信号がオペレーターファミリーに分散し、サポートセット調整形態によって強化されることを示している。
関連論文リスト
- Maybe you don't need a U-Net: convolutional feature upsampling for materials micrograph segmentation [0.0]
我々は畳み込みニューラルネットワークを訓練し、入力画像を参照して低解像度(すなわち、大きなパッチサイズ)基盤モデルの特徴を増幅する。
これらの深い特徴と対話的なセグメンテーションによって、高品質なセグメンテーションはトレーニングよりもはるかに速く、ラベルもはるかに少ないことが示される。
論文 参考訳（メタデータ） (2025-08-29T11:37:43Z) - How to Squeeze An Explanation Out of Your Model [13.154512864498912]
本稿では,モデルに依存しない解釈可能性のアプローチを提案する。
任意のモデルの分類レイヤーの前にSEブロックを含めることで、最も影響力のある特徴を検索することができる。
以上の結果から,新たなSEベースの解釈性は,画像およびビデオ/マルチモーダル設定の様々なモデルに適用可能であることがわかった。
論文 参考訳（メタデータ） (2024-12-06T15:47:53Z) - UNOPose: Unseen Object Pose Estimation with an Unposed RGB-D Reference Image [86.7128543480229]
見えないオブジェクトのポーズ推定方法はCADモデルや複数の参照ビューに依存することが多い。
参照取得を簡略化するために,未提示のRGB-D参照画像を用いて未確認オブジェクトのポーズを推定することを目的とする。
単参照型オブジェクトポーズ推定のための新しいアプローチとベンチマークをUNOPoseと呼ぶ。
論文 参考訳（メタデータ） (2024-11-25T05:36:00Z) - SatSynth: Augmenting Image-Mask Pairs through Diffusion Models for Aerial Semantic Segmentation [69.42764583465508]
我々は,地球観測における注釈付きデータの不足に対処するために,生成的画像拡散の可能性を探る。
我々の知る限りでは、衛星セグメンテーションのための画像と対応するマスクの両方を最初に生成する。
論文 参考訳（メタデータ） (2024-03-25T10:30:22Z) - ComFe: An Interpretable Head for Vision Transformers [8.572967695281054]
解釈可能なコンピュータビジョンモデルは、画像の局所アノテーションとトレーニングデータを表すプロトタイプのセットとの距離を比較することで、それらの分類を説明する。
ComFeは私たちが知っている最初の解釈可能なアプローチであり、他の解釈可能なアプローチとは異なり、ImageNet Image-1Kとして簡単に適用できる。
論文 参考訳（メタデータ） (2024-03-07T00:44:21Z) - RANRAC: Robust Neural Scene Representations via Random Ray Consensus [12.161889666145127]
RANRAC(RANdom RAy Consensus)は、一貫性のないデータの影響を排除するための効率的な手法である。
我々はRANSACパラダイムのファジィ適応を定式化し、大規模モデルへの適用を可能にした。
その結果, 新規な視点合成のための最先端のロバストな手法と比較して, 顕著な改善が見られた。
論文 参考訳（メタデータ） (2023-12-15T13:33:09Z) - Self-Supervised Open-Ended Classification with Small Visual Language
Models [60.23212389067007]
我々は、小さな視覚言語モデルを用いたオープンエンド分類のための数ショットの能力を解放する自己教師型アプローチであるSeCAtを提案する。
約1Bパラメータを持つモデルを使用することで、FrozenやBrobAGeといった、はるかに大きなモデルの少数ショット能力より優れています。
論文 参考訳（メタデータ） (2023-09-30T21:41:21Z) - Probabilistic PolarGMM: Unsupervised Cluster Learning of Very Noisy
Projection Images of Unknown Pose [0.5156484100374059]
本研究では,予測(EM)アルゴリズムを用いてソフトクラスタを教師なしで学習する方法を示す。
得られた回転クラスターは、ペアのアライメント不完全な存在に対して堅牢である。
シミュレーションされたCryo-EMデータセットのベンチマークでは、標準の単一粒子Cryo-EMツールと比較して、PolarGMMのパフォーマンスが向上している。
論文 参考訳（メタデータ） (2022-06-26T20:20:10Z) - Palette: Image-to-Image Diffusion Models [50.268441533631176]
我々は条件付き拡散モデルを用いた画像から画像への変換のためのシンプルで一般的なフレームワークであるPaletteを紹介する。
4つの困難な画像から画像への変換タスクにおいて、Paletteは強力なGANと回帰ベースラインを上回っている。
本稿では、FID、インセプションスコア、事前訓練されたResNet-50の分類精度、参照画像に対する知覚距離などのサンプル品質スコアについて報告する。
論文 参考訳（メタデータ） (2021-11-10T17:49:29Z) - Low-Light Image Enhancement with Normalizing Flow [92.52290821418778]
本稿では,この一対多の関係を正規化フローモデルを用いてモデル化する。
低照度画像/特徴を条件として取り、通常露光される画像の分布をガウス分布にマッピングすることを学ぶ可逆ネットワーク。
既存のベンチマークデータセットによる実験結果から,提案手法はより定量的,質的な結果を得ることができ,照度が良く,ノイズやアーティファクトが小さく,色も豊かになることがわかった。
論文 参考訳（メタデータ） (2021-09-13T12:45:08Z) - More Photos are All You Need: Semi-Supervised Learning for Fine-Grained
Sketch Based Image Retrieval [112.1756171062067]
クロスモーダル検索のための新しい半監視フレームワークについて紹介する。
私たちの設計の中心には、連続したフォトツースケッチ生成モデルがあります。
また,不適切な生成を誘導する判別器誘導機構も導入する。
論文 参考訳（メタデータ） (2021-03-25T17:27:08Z) - BSNet: Bi-Similarity Network for Few-shot Fine-grained Image
Classification [35.50808687239441]
いわゆるtextitBi-Similarity Network (textitBSNet) を提案する。
両相似モジュールは、多様な特性の2つの類似度尺度に従って特徴写像を学習する。
このようにして、モデルはより差別的で類似度に富んだ特徴を、よりきめ細かい画像の少ないショットから学習することができる。
論文 参考訳（メタデータ） (2020-11-29T08:38:17Z)
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。