論文の概要: Exemplar: Classical Priors Complement Frozen Features for Few-Shot Microscopy Segmentation at Native Resolution

• arxiv url: http://arxiv.org/abs/2609.03080v1
• Date: Wed, 02 Sep 2026 18:49:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:38.839085
• Title: Exemplar: Classical Priors Complement Frozen Features for Few-Shot Microscopy Segmentation at Native Resolution
• Title（参考訳）: 特筆すべき古典的先行性凍結機能 : Few-Shot Microscopy Segmentation at Native Resolution
• Abstract要約: Exemplarは、凍ったDINOv3バックボーンと古典的なネイティブ解像度のフィルタ応答の固定バンクを融合する、数発のセグメンタである。 少数のマスク、ネイティブレゾリューション、古典的な先行、凍結した自己管理的特徴は相補的である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Segmenting a new biomedical dataset usually means a domain-specific model trained on substantial annotation, or a foundation model steered at inference time. We present Exemplar, a few-shot segmenter that fuses a frozen DINOv3 backbone with a fixed bank of classical native-resolution filter responses in one lightweight head, fitted from the support masks alone. In the few-mask, native-resolution regime, classical priors and frozen self-supervised features are complementary: fused in one head, a single fixed configuration spans eleven biomedical imaging datasets. Under the same head, the classical bank alone reaches 0.693 on the eleven-dataset panel, scored by foreground intersection-over-union or centreline Dice, and the frozen features alone 0.672; the bank leads on seven of the eleven and the features on the rest, and fused they reach 0.782. Against five forward-pass few-shot methods, Exemplar leads in 54 of 55 method-dataset comparisons, 52 of them significant after Holm correction. From a single annotated mask it reaches 0.703 on the same panel, against 0.682 for a from-scratch nnU-Net trained on that same mask. At eight masks nnU-Net overtakes it on the panel mean, chiefly on centreline agreement, but takes 16-77x longer to fit.
• Abstract（参考訳）: 新たなバイオメディカルデータセットのセグメンテーションは通常、実質的なアノテーションに基づいて訓練されたドメイン固有モデル、または推論時に操縦された基礎モデルを意味する。 Inemplarは、凍ったDINOv3バックボーンを1つの軽量ヘッドに固定された古典的ネイティブレゾリューションフィルタ応答で融合する、数発のセグメンタである。 少数のマスク、ネイティブレゾリューション、古典的な前兆、凍結した自己監督的な特徴は補完的なもので、1つの頭部に融合し、1つの固定された構成は11のバイオメディカルイメージングデータセットにまたがる。 同頭の下では、古典銀行単独で11枚組のパネルで0.693に達し、前景の交点と中央線Dice、凍結した特徴のみ0.672であり、11枚組のうち7枚と残りの特徴を導いて0.782に融合している。 5つの前方通過数ショット法に対して、Exemplarは55のメソッドデータセット比較のうち54でリードし、そのうち52はホルム補正後に有意であった。 1つのアノテートマスクから同じパネル上で0.703に達し、同じマスクでトレーニングされたオンスクラッチnnU-Netに対して0.682となる。 8つのマスクにおいて、nnU-Netはパネル平均を上回り、主にセンターライン合意に基づいているが、適合するには16-77倍の時間がかかる。

関連論文リスト

• Anatomical Grounding and Leakage-Aware Multimodal Contrastive Learning for Alzheimer's Disease Classification from Structural MRI [0.0]
  アルツハイマー病の構造MRIで訓練されたディープネットワークは、解剖学的に無関係な領域に到達しながら、妥当な精度に達することが多い。 我々は解剖学的参照としてFastSurferセグメンテーションを使用します。 私たちは、CLIPスタイルのイメージに適応し、ラベルリードスペクトルに沿ってADNIMERGE変数を整理する。
  論文  参考訳（メタデータ） (2026-09-14T17:13:12Z)
• Subtraction-Based Tumor Segmentation and Lesion-Centered pCR Prediction for the MAMA-MIA Challenge [0.0]
  我々は,MAMA-MIAチャレンジへのチームFMEの提出について述べる。 原発性腫瘍の分節と病理学的完全反応の予測について検討した。 FMEは両部門で2位となった。
  論文  参考訳（メタデータ） (2026-08-29T09:23:45Z)
• Leak-Free Cross-Validated Stacking with Per-Architecture Calibration for Sand-Boil Segmentation in Earthen Levees [0.0]
  砂の沸騰は、土の堤防の下にある水が地表に再沈み込む地点であり、初期の内部浸食の警告である。 ディープセグメンテーションネットワークは、検査写真でそれらを見つけるためにますます利用されている。 その不足に対処する2つの一般的な方法は、正確さを秘かに報告している。 両抜け穴を塞ぐ砂岩層セグメンテーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-28T07:21:02Z)
• PLGSA-Transformer: Periocular Landmark-Guided Attention with Occlusion-Adaptive Cosine Thresholding for Cross-Modal Masked and Unmasked Face Recognition [0.0]
  本稿では,3つのコントリビューションを持つクロスモーダル顔マッチングフレームワークであるPLGSA-Transformerを提案する。 PLGSA-Transformerは、ROC AUC 1.0000で97.22%のペア検証精度を達成し、VGG-16ベースのMUFMを上回った。
  論文  参考訳（メタデータ） (2026-07-03T19:48:17Z)
• MaskForge: Structure-Aware Adaptive Attacks for Jailbreaking Diffusion Large Language Models [53.05463623673949]
  MaskForgeは完全にブラックボックス対応の攻撃で、構造パターンのライブラリを最適化した検索としてdLLMのレッドチームを実行する。 攻撃成功率は79.3%であり、最強のdLLMベースラインよりも17.6%向上している。
  論文  参考訳（メタデータ） (2026-06-01T18:10:21Z)
• HMS-VesselNet: Hierarchical Multi-Scale Attention Network with Topology-Preserving Loss for Retinal Vessel Segmentation [0.0]
  HMS-VesselNetは階層的なマルチスケールネットワークで、異なる解像度で4つの並列ブランチにまたがるファンドイメージを処理する。 DRIVE、STARE、CHASE_DB1の68枚の画像を5倍のクロスバリデーションでテストし、平均Diceの88.72 +/- 0.67%、感度90.78 +/- 1.42%、AUCの98.25 +/- 0.21%を達成した。
  論文  参考訳（メタデータ） (2026-03-23T12:16:45Z)
• MaskFuser: Masked Fusion of Joint Multi-Modal Tokenization for End-to-End Autonomous Driving [41.76378279242968]
  本稿では,様々なモダリティを統一的な意味的特徴空間にトークン化するMaskFuserを提案する。 統一されたトークン表現を考えると、MaskFuserは、クロスモダリティのマスク付きオートエンコーダトレーニングを導入する最初の作業である。 初期の融合段階では、分岐間でモノトニックからBEVへの変換注意をすることでモダリティを融合させ、様々なモダリティを共有符号化された統一トークン空間にトークン化して後期融合を行う。
  論文  参考訳（メタデータ） (2024-05-13T09:22:19Z)
• Blind Face Restoration: Benchmark Datasets and a Baseline Model [63.053331687284064]
  Blind Face Restoration (BFR) は、対応する低品質 (LQ) 入力から高品質 (HQ) の顔画像を構築することを目的としている。 EDFace-Celeb-1M (BFR128) と EDFace-Celeb-150K (BFR512) と呼ばれる2つのブラインドフェイス復元ベンチマークデータセットを最初に合成する。 最先端の手法は、ブラー、ノイズ、低解像度、JPEG圧縮アーティファクト、それらの組み合わせ(完全な劣化)の5つの設定でベンチマークされる。
  論文  参考訳（メタデータ） (2022-06-08T06:34:24Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Training Compact CNNs for Image Classification using Dynamic-coded Filter Fusion [139.71852076031962]
  動的符号化フィルタ融合(DCFF)と呼ばれる新しいフィルタプルーニング法を提案する。 我々は、効率的な画像分類のために、計算経済的および正規化のない方法でコンパクトなCNNを導出する。 我々のDCFFは、72.77MのFLOPと1.06Mのパラメータしか持たないコンパクトなVGGNet-16を導出し、トップ1の精度は93.47%に達した。
  論文  参考訳（メタデータ） (2021-07-14T18:07:38Z)
• Masksembles for Uncertainty Estimation [60.400102501013784]
  ディープニューラルネットワークは、その強みを巧みに実証しているが、その予測の信頼性を推定することは依然として困難である。 深層アンサンブルは不確かさを推定する最良の方法の1つと考えられているが、訓練や評価は非常に高価である。 mc-dropoutも人気の高い代替品で、安価だが信頼性も低い。
  論文  参考訳（メタデータ） (2020-12-15T14:39:57Z)

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。