論文の概要: BATS: Resource-Efficient Volumetric Segmentation with Boundary-Aware Mixed-Resolution Tokens

• arxiv url: http://arxiv.org/abs/2607.26829v1
• Date: Wed, 29 Jul 2026 12:21:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.661908
• Title: BATS: Resource-Efficient Volumetric Segmentation with Boundary-Aware Mixed-Resolution Tokens
• Title（参考訳）: BATS: 境界対応混合分解トークンを用いた資源効率の良いボリュームセグメンテーション
• Abstract要約: 予測されたクラス境界付近で微細分解能処理を集中する3次元医用画像分割アーキテクチャであるBATSを提案する。 密度境界予測器は、追加の解像度が必要な場所を特定する一方、ファインファーストコンテキストは入力依存の混合解像度階層を構成する。 KiTSとLiTSでは推論が最大30%高速化され、トークンは少ないがトークン密度のBraTSでは遅い。
• 参考スコア（独自算出の注目度）: 14.29921504001782
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Many high-performing volumetric segmentation models maintain dense multi-scale feature maps, leading to high activation memory and inference cost. We present BATS (Boundary-Aware Token Selection), a 3D medical image segmentation architecture that concentrates fine-resolution processing near predicted class boundaries. A dense boundary predictor identifies where additional resolution is needed, while a fine-first context cascade constructs an input-dependent mixed-resolution hierarchy. Homogeneous regions are represented coarsely, with finer tokens retained around boundaries, thin structures, and small targets. The sparse hierarchy is refined and rasterised into a dense segmentation. BATS predicts boundary relevance independently at every resolution level, preventing an erroneous coarse-scale decision from suppressing fine-scale evidence. Parent cluster attention further injects hierarchical ancestor tokens into local attention neighbourhoods, providing cross-scale context without dense multi-scale feature maps or cross-scale neighbour search. We evaluate BATS on five public CT and MRI datasets using the standardised nnU-Net Revisited protocol. BATS achieves the highest LiTS Dice among the compared methods and averages within 0.37 Dice points of the strongest dense baseline, MedNeXt-L, across the five datasets. Relative to MedNeXt-L, it reduces peak allocated GPU memory by more than 53% on KiTS, LiTS, and BraTS. Inference is up to 30% faster on KiTS and LiTS, which retain fewer tokens, but slower on the more token-dense BraTS. Mixed-resolution processing therefore provides consistent memory savings, while runtime and accuracy gains depend on dataset boundary density.
• Abstract（参考訳）: 多くの高性能ボリュームセグメンテーションモデルでは、高能率なマルチスケール特徴写像を維持しており、高いアクティベーションメモリと推論コストをもたらす。 本稿では,予測クラス境界付近で微細分解能処理を集中する3次元医用画像分割アーキテクチャであるBATS(Boundary-Aware Token Selection)を提案する。 密度境界予測器は、追加の解像度が必要な場所を特定する一方、ファインファーストコンテキストカスケードは入力依存の混合分解階層を構成する。 均質な領域は粗く表現され、境界線、細い構造、小さなターゲットの周りにはより微細なトークンが保持される。 スパース階層は洗練され、密度の高いセグメンテーションにラスタ化される。 BATSは、すべての解像度レベルで境界関係を独立に予測し、誤った粗いスケールの決定が微細な証拠を抑制するのを防ぐ。 親集団の注意はさらに、階層的な祖先トークンを局所的な注意領域に注入し、密集したマルチスケールの特徴マップやクロススケールな隣人探索を伴わずに、クロススケールなコンテキストを提供する。 標準化されたnnU-Net Revisitedプロトコルを用いて,5つのパブリックCTおよびMRIデータセット上でBATSを評価する。 BATSは5つのデータセットで最強の高密度ベースラインであるMedNeXt-Lの0.37Diceポイントにおいて、比較手法と平均値の中で最も高いLiTS Diceを達成している。 MedNeXt-Lとは対照的に、KiTS、LiTS、BraTSのピーク割り当てGPUメモリを53%以上削減する。 KiTSとLiTSでは推論が最大30%高速化され、トークンは少ないがトークン密度のBraTSでは遅い。 そのため、混合解像度処理は一貫したメモリ節約を提供するが、実行時と精度のゲインはデータセット境界密度に依存する。

関連論文リスト

• Sparse Attention for Dense Open-Vocabulary Prediction in CLIP [54.45759517856271]
  最終視覚的自己注意層における行方向のソフトマックスの推測時間置換について検討した。 entmaxは低得点を正確に0にマッピングするデータ依存しきい値を適用するため、暗黙のデノイザとして機能する。 オープン語彙タスクセンスセマンティックセマンティックセグメンテーション (Pascal VOC, Pascal Context, ADE20K) ときめ細かい検索 (FG-OVD) について検討する。
  論文  参考訳（メタデータ） (2026-07-08T08:30:48Z)
• 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)
• Binary-Gaussian: Compact and Progressive Representation for 3D Gaussian Segmentation [83.90109373769614]
  3D Gaussian Splatting (3D-GS)は効率的な3D表現として登場し、セグメンテーションのようなセグメンテーションタスクのための有望な基盤となっている。 本稿では,各特徴を2進数対決定写像によって1つの整数に圧縮する,ガウス単位のカテゴリ表現のための粗大なバイナリ符号化方式を提案する。 さらに,個別のサブタスクに分割し,クラス間の衝突を減らし,きめ細かいセグメンテーション能力を向上させるプログレッシブトレーニング戦略を設計する。
  論文  参考訳（メタデータ） (2025-11-30T15:51:30Z)
• COB-GS: Clear Object Boundaries in 3DGS Segmentation Based on Boundary-Adaptive Gaussian Splitting [67.03992455145325]
  3D Gaussian Splatting(3DGS)に基づく3Dセグメンテーションは、オブジェクトの境界を正確に記述するのに苦労する。 セグメンテーション精度の向上を目的とした3DGS(COB-GS)のためのクリアオブジェクト境界を導入する。 意味指導には境界適応型ガウス分割法を導入する。 視覚的最適化のために、3DGSシーンの劣化したテクスチャを補正する。
  論文  参考訳（メタデータ） (2025-03-25T08:31:43Z)
• Improved distinct bone segmentation in upper-body CT through multi-resolution networks [0.39583175274885335]
  上半身CTと異なる骨分画では、大きな視野と計算的な3Dアーキテクチャが必要とされる。 これにより、空間的コンテキストの欠如により、細部や局所的な誤差を欠いた低解像度な結果が得られる。 本稿では,異なる解像度で動作する複数の3次元U-Netを組み合わせたエンドツーエンドのトレーニング可能なセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2023-01-31T14:46:16Z)
• Push-the-Boundary: Boundary-aware Feature Propagation for Semantic Segmentation of 3D Point Clouds [0.5249805590164901]
  本研究では,オブジェクト境界近傍のセマンティックセグメンテーションを改善するための境界対応特徴伝搬機構を提案する。 1つの共有エンコーダで、ネットワークは、(i)境界ローカライゼーション、(ii)オブジェクトの内部を指す方向の予測、(iii)セマンティックセグメンテーションを3つの並列ストリームで出力する。 提案手法は境界誤差を低減することによって一貫した改善をもたらす。
  論文  参考訳（メタデータ） (2022-12-23T15:42:01Z)
• HDNet: A Hierarchically Decoupled Network for Crowd Counting [11.530565995318696]
  本稿では,階層型分離ネットワーク(HDNet)を提案する。 HDNetは、いくつかの人気のあるカウントベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-12-12T06:01:26Z)
• Redesigning Multi-Scale Neural Network for Crowd Counting [68.674652984003]
  本稿では, 集団カウントのための多スケール密度マップを階層的にマージする, 密度専門家の階層的混合を導入する。 階層構造の中では、すべてのスケールからの貢献を促進するために、専門家の競争とコラボレーションのスキームが提示されます。 実験の結果,提案手法は5つの公開データセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-08-04T21:49:29Z)
• S3Net: 3D LiDAR Sparse Semantic Segmentation Network [1.330528227599978]
  S3NetはLiDARポイントクラウドセマンティックセグメンテーションのための新しい畳み込みニューラルネットワークである。 sparse intra-channel attention module (sintraam)とsparse inter-channel attention module (sinteram)で構成されるエンコーダ-デコーダバックボーンを採用する。
  論文  参考訳（メタデータ） (2021-03-15T22:15:24Z)
• Regularized Densely-connected Pyramid Network for Salient Instance Segmentation [73.17802158095813]
  我々は、エンドツーエンドの有能なインスタンスセグメンテーション(SIS)のための新しいパイプラインを提案する。 ディープネットワークにおけるリッチな特徴階層をよりよく活用するために、正規化された高密度接続を提案する。 マスク予測を改善するために,新しいマルチレベルRoIAlignベースのデコーダを導入し,多レベル特徴を適応的に集約する。
  論文  参考訳（メタデータ） (2020-08-28T00:13:30Z)
• Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
  本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。 これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。 SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
  論文  参考訳（メタデータ） (2020-02-11T14:04:56Z)

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。