論文の概要: Feature-Spectral Fragility in Segmentation: Dataset Dependence, Architecture-Specific Localization, and Spectral Correlates

• arxiv url: http://arxiv.org/abs/2608.29167v1
• Date: Sat, 29 Aug 2026 09:33:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.864649
• Title: Feature-Spectral Fragility in Segmentation: Dataset Dependence, Architecture-Specific Localization, and Spectral Correlates
• Title（参考訳）: セグメンテーションにおける特徴スペクトルの脆弱性:データセット依存、アーキテクチャ特化ローカライゼーション、スペクトル相関
• Abstract要約: 学習した特徴表現の周波数依存性を学習後低域介入を用いて調査する。 CNN、SSM、Transformerはそれぞれ100%、73.2%、30.9%減少し、ISICでは9.4%、10.3%、0.6%となっている。 ネイティブな特徴領域スペクトル測定は、CVCにおける高周波エネルギーと不安定性の逆相関を示す。
• 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: Robustness of segmentation models is commonly assessed through input-domain perturbations, while dependence on frequency content within learned feature representations remains less understood. We probe this dependence using targeted post-training low-pass interventions on internal representations of three segmentation architectures, ResNet50-UNet (CNN), VM-UNet (SSM), and Swin-UNETR (Transformer), across CVC-ClinicDB and ISIC2018, with headline evaluations performed on untouched held-out test sets. At cutoff rho=0.25, feature-domain low-pass filtering causes severe degradation on CVC: Dice drops by 100%, 73.2%, and 30.9% for CNN, SSM, and Transformer, respectively, compared with 9.4%, 10.3%, and 0.6% on ISIC. The cross-dataset difference is statistically significant for every architecture. Single-stage interventions further show that sensitivity is localized at architecture-specific depths: the CNN peaks at a mid/late encoder block, whereas the SSM peaks in an early encoder stage on both datasets. Native feature-domain spectral measurements show an inverse association between high-frequency energy and fragility on CVC; the relationship is only partial on ISIC and is therefore treated as a candidate correlate rather than a proven mechanism. Finally, Fourier augmentation improves robustness to input-space low-pass filtering but leaves feature-domain degradation essentially unchanged. These results show that feature-spectral robustness is strongly dataset-dependent, architecture-specific, and distinct from input-domain spectral robustness.
• Abstract（参考訳）: セグメンテーションモデルのロバスト性は入力領域の摂動によって評価されるのが一般的であるが、学習された特徴表現内の周波数内容への依存は理解されていない。 本稿では,3つのセグメンテーションアーキテクチャであるResNet50-UNet (CNN), VM-UNet (SSM), Swin-UNETR (Transformer), CVC-ClinicDB と ISIC2018 を対象とし,非タッチのホールドアウトテストセットで見出し評価を行った。 カットオフのrho=0.25では、機能領域の低域フィルタリングがCVCに深刻な劣化をもたらす: CNN、SSM、Transformerでは、ISICでは9.4%、10.3%、0.6%とそれぞれ100%、73.2%、30.9%が低下する。 クロスデータセットの違いは、すべてのアーキテクチャにおいて統計的に重要である。 CNNはミドルレートエンコーダブロックでピーク、SSMは両方のデータセットで早期エンコーダステージでピークとなる。 ネイティブな特徴領域スペクトル測定は、CVC上での高周波エネルギーと不安定性の逆相関を示し、ISICでは部分的な関係であり、証明されたメカニズムではなく、候補相関として扱われる。 最後に、フーリエ拡張は入力空間ローパスフィルタリングの堅牢性を改善するが、特徴領域の劣化は基本的に変化しない。 これらの結果から,特徴スペクトルのロバスト性はデータセットに依存し,アーキテクチャに依存し,入力領域のスペクトルロバスト性とは異なることが示唆された。

関連論文リスト

• Mind the Rift: Cross-Scale Coupling Mismatch for AI-Generated Video Detection [10.264738258468254]
  クロススケールカップリングミスマッチは新しい法医学的信号である。 自然ビデオでは、マクロレベルの時間的ダイナミクスとマイクロレベルの残留パターンは、統合されたイメージング物理パイプラインによって本質的に結合される。 しかし、この共同分布を明示的に保持していないトレーニング目的を持つAIジェネレータは、この結合を体系的に違反する。 このようなミスマッチの検出は、両方のスケールで独立して情報を抽出する必要があるため、難しい。
  論文  参考訳（メタデータ） (2026-09-01T05:23:48Z)
• Architecture-Dependent Causal Transfer of Activation States Across Large Language Models [51.56484100374058]
  内部言語アクティベーション状態は、異なる大きな言語モデル間で因果的に転送することができる。 生成中に投影された活性化をターゲットモデルに注入すると、統計的に有意で事前登録された因果効果が生じる。 現在実装されているLCM間のエンド・ツー・エンドのアクティベーション・ステート・トランスファーは、ユニバーサルではなくアーキテクチャに依存していると結論付けている。
  論文  参考訳（メタデータ） (2026-08-17T09:53:27Z)
• Impute On-Demand: Adaptive Correlated Time Series Imputation for Changing Environments [40.05961815531593]
  Internet of Things(IoT)アプリケーションは、しばしば欠落した値を含み、計算を必要とする大量のCorrelated Time Series(CTS)データを生成する。 環境変化のための適応型CTSインバータであるAdaCTSiを提案する。 単一のトレーニングされたモデルは、センサーサブセットとリソース適応推論をサポートし、その控えめなメモリフットプリントは、コモディティコンピューティングデバイスへのデプロイを可能にする。
  論文  参考訳（メタデータ） (2026-07-26T07:08:00Z)
• SpecGradFilter: A Spectral Gradient Filtering Framework for Taming Federated Heterogeneity [57.84199526590779]
  フェデレートラーニング(FL)は、非ID分散(非IID)データがクライアントのドリフトを誘導し、グローバルな収束を阻害する統計的不均一性によって根本的に挑戦される。 本研究では,新しい周波数領域の観点からクライアントのドリフトを再考し,Drift のスペクトルバイアスを明らかにする。 そこで本研究では,低周波信号の不一致を抑えることで不均一性を解消するスペクトルフィルタリンググラディエント・フレームワークであるSpecGradFilterを提案する。
  論文  参考訳（メタデータ） (2026-07-05T09:23:35Z)
• TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning [8.156452885913108]
  フェデレートラーニング(FL)は、データの局所性を維持しながら協調的なモデルトレーニングを促進する。 勾配の交換により、システムはグラディエント・インバージョン・アタック(GIAs)に弱い。 本稿では、モデル解釈可能性と周波数領域解析を統合する新しい防御フレームワークTIPを提案する。
  論文  参考訳（メタデータ） (2026-02-12T06:32:49Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• Unified Review and Benchmark of Deep Segmentation Architectures for Cardiac Ultrasound on CAMUS [39.950953035207384]
  心臓超音波セグメンテーションの文献的考察と,3つの重要なアーキテクチャの比較を行った。 ベンチマークでは,NIfTIボリューム,16ビットPNGエクスポート,GPT支援多角形擬似ラベル,自己教師付き事前学習など,複数の前処理経路にまたがる。
  論文  参考訳（メタデータ） (2025-12-27T06:07:57Z)
• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• Differential-UMamba: Rethinking Tumor Segmentation Under Limited Data Scenarios [3.1231963031043786]
  Diff-UMambaは、UNetフレームワークとmambaメカニズムを組み合わせて長距離依存関係をモデル化する新しいアーキテクチャである。 Diff-UMambaの中心部にはノイズ低減モジュールがあり、ノイズや無関係なアクティベーションを抑制するための信号差分戦略を採用している。 このアーキテクチャは、特に低データ設定において、セグメンテーションの精度と堅牢性を改善する。
  論文  参考訳（メタデータ） (2025-07-24T08:23:11Z)
• Graph-Based Fault Diagnosis for Rotating Machinery: Adaptive Segmentation and Structural Feature Integration [0.0]
  本稿では,回転機械における頑健かつ解釈可能なマルチクラス故障診断のためのグラフベースフレームワークを提案する。 エントロピー最適化信号セグメンテーション、時間周波数特徴抽出、グラフ理論モデリングを統合し、振動信号を構造化表現に変換する。 提案手法は,2つのベンチマークデータセットで評価した場合,高い診断精度を実現する。
  論文  参考訳（メタデータ） (2025-04-29T13:34:52Z)
• S3TU-Net: Structured Convolution and Superpixel Transformer for Lung Nodule Segmentation [5.2752693301728355]
  マルチ次元空間コネクタとスーパーピクセルベースの視覚変換器を統合したセグメンテーションモデルS3TU-Netを提案する。 S3TU-NetはマルチビューCNN-Transformerハイブリッドアーキテクチャ上に構築されており、スーパーピクセルアルゴリズム、構造化重み付け、空間シフト技術が組み込まれている。 LIDC-IDRIデータセットの実験結果は、S3TU-Netがそれぞれ89.04%、90.73%、90.70%のDSC、精度、IoUを達成したことを示している。
  論文  参考訳（メタデータ） (2024-11-19T15:00:18Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• FAMLP: A Frequency-Aware MLP-Like Architecture For Domain Generalization [73.41395947275473]
  本稿では、変換周波数領域において、ドメイン固有の特徴をフィルタリングする新しい周波数認識アーキテクチャを提案する。 3つのベンチマークの実験では、最先端の手法をそれぞれ3%、4%、9%のマージンで上回った。
  論文  参考訳（メタデータ） (2022-03-24T07:26:29Z)

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。