論文の概要: Initialization and Stopping Tolerance in CPU Dermoscopic Segmentation

• arxiv url: http://arxiv.org/abs/2609.25685v1
• Date: Tue, 22 Sep 2026 04:40:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.225947
• Title: Initialization and Stopping Tolerance in CPU Dermoscopic Segmentation
• Title（参考訳）: CPUデルモスコピックセグメンテーションの初期化と停止耐性
• Abstract要約: オープンソースのScikit-image Chan-VeseのISIC 2017ミラーへの実装を評価した。 デフォルトでは、繰り返し、ディスク、および大津シードのチェッカーボードと比較され、より厳格なレベルセットの耐性がある。 これらの結果から, ジェネリックイニシャライザの改善は, しきい値ベースラインに対する劣化と共存する可能性が示唆された。
• 参考スコア（独自算出の注目度）: 28.97096038427138
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contour initialization and numerical stopping can jointly affect the evaluation of active-contour segmentation. We examine their interaction using the open-source scikit-image Chan-Vese implementation on a resized ISIC 2017 mirror. A fixed development set of 100 images selects a common input channel; all 600 images in the repository's held-out partition are then evaluated. Otsu thresholding is compared with checkerboard-, disk-, and Otsu-initialized contours under default and tighter level-set tolerances. At the default tolerance, Otsu initialization increases mean image Dice from 0.6011 to 0.6660 relative to checkerboard initialization, a paired difference of 0.0649 (95% image-bootstrap interval [0.0452, 0.0860]). Otsu thresholding alone achieves 0.6897. The default disk initializer stops after one iteration on 471 images. Tightening the tolerance reduces the Otsu-seed advantage over checkerboard initialization to 0.0197, with most runs reaching the 500-iteration limit. The default-tolerance advantage also reverses between small- and large-lesion strata. These findings show that an improvement over a generic initializer can coexist with deterioration relative to the threshold baseline. Evaluations should retain the unrefined mask as a comparator and report the initial-field definition, stopping tolerance, and observed iteration counts together.
• Abstract（参考訳）: 輪郭の初期化と数値停止は、アクティブ・輪郭セグメンテーションの評価に共同で影響を及ぼす。 我々は,ISIC 2017ミラー上でのオープンソースシンキ画像Chan-Vese実装によるインタラクションについて検討した。 100個の画像からなる固定開発セットが共通の入力チャネルを選択し、リポジトリのホールドアウトパーティション内の600個の画像を全て評価する。 デフォルトではチェッカーボード、ディスク、および大津初期化輪郭と比較され、より厳密なレベルセット耐性を持つ。 デフォルトでは、大津初期化はチェッカーボードの初期化と比較して平均画像Diceを0.6011から0.6660に増加させ、対差は0.0649(95%画像ブートストラップ間隔[0.0452, 0.0860])である。 大津しきい値だけで0.6897に達する。 デフォルトのディスクイニシャライザは、471イメージの1イテレーション後に停止する。 トレランスの強化は、チェッカーボードの初期化に対する大津シードの優位性を0.0197に減らし、ほとんどのランは500イテレーションの限界に達する。 デフォルトの耐久性の利点は、小さなイオン層と大きなイオン層を逆転させる。 これらの結果から, ジェネリックイニシャライザの改善は, しきい値ベースラインに対する劣化と共存する可能性が示唆された。 評価は、未精製マスクをコンパレータとして保持し、初期フィールドの定義を報告し、耐性を停止し、観察された反復数を一緒にするべきである。

関連論文リスト

• UOT-Gap: A Variational Principle for the Modality Gap in Vision-Language Models via Unbalanced Optimal Transport [3.8167107540819245]
  UOT-Gapは、凍結画像とテキスト埋め込みを不均衡な最適輸送(UOT)でモデル化する訓練不要な変分診断法である。 凍ったCLIP、OpenCLIP、SigLIPエンコーダを持つFlickr8KおよびCOCO-1Kでは、キャプション劣化によりRecall@1が0.559から0.003に減少する。 これらの結果から, UOT-Gapはキャプション品質, モダリティアライメント, 検索ロバストネスの診断法として確立された。
  論文  参考訳（メタデータ） (2026-09-09T14:23:13Z)
• ShiftSplit-AD: Separating Domain Shift from Defects in Foundation-Feature Visual Anomaly Detection [0.0]
  本研究は, DINOv2残基の構造的分解がシフト誘起エビデンスを抑制することができるかどうかを考察する。 ShiftSplit-ADは、パッチ残留行列をローランクおよびロースパースコンポーネントに分解する。 実験は普遍的な分離というよりはむしろ中心的なトレードオフを露呈する。
  論文  参考訳（メタデータ） (2026-08-27T18:42:38Z)
• Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
  Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
  論文  参考訳（メタデータ） (2026-08-16T14:30:45Z)
• Beyond Static Anchors: Bounded Prototype Conditioning for Language-Free Medical Anomaly Detection [52.986874008247554]
  本稿では,静的アンカーを入力条件付きビジュアルプロトタイプに置き換える言語フリーフレームワークReCAPを提案する。 ReCAPリセンターは、境界ゲート変調により、各画像の正常と異常なプロトタイプを分離した。 3つのセグメンテーションデータセットで最高のゼロショットレベルのAUROCと、24の複数ショット設定のうち23のゼロショットレベルのAUROCを達成する。
  論文  参考訳（メタデータ） (2026-08-01T04:46:55Z)
• qZACH-ViT: Quantization-Aware Intrinsic Explanations with Recursive Attribution-Stabilized Optimization [0.0]
  ゼロトケンフリーなZACH-ViTバックボーンの量子化対応拡張であるqZACH-ViTを導入する。 帰納的属性安定化最適化(RASO)も導入する。 我々は,クラス毎に50のトレーニング画像と10の固定種子を用いて,7つのMedMNISTデータセットに対して4つの制御条件を評価する。
  論文  参考訳（メタデータ） (2026-07-16T19:51:48Z)
• Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation [0.5156484100374059]
  画像のみ、表示のみ、固定順序マルチモーダル、ランダムスワップ、DeepSets、セクションガードMIモデルを比較した。 予測表示は、レポート由来の目標と強く結びついており、置換認識融合は競争的であり、ポストホックレポートテキストは、レポートラベルの実質的な円形を生成する。
  論文  参考訳（メタデータ） (2026-07-15T13:08:09Z)
• Breaking the Memory Barrier: Near Infinite Batch Size Scaling for Contrastive Loss [59.835032408496545]
  本稿では, コントラスト損失計算を任意の小ブロックに分割するタイルベースの戦略を提案する。 分散システムの階層構造を活用するためのマルチレベルタイリング戦略も導入する。 SOTAメモリ効率のソリューションと比較すると、同等の速度を維持しながら、メモリの2桁の削減を実現している。
  論文  参考訳（メタデータ） (2024-10-22T17:59:30Z)
• Centroid-centered Modeling for Efficient Vision Transformer Pre-training [44.24223088955106]
  Masked Image Modeling (MIM)は、視覚変換器(ViT)を用いた新しい自己教師型ビジョン事前学習パラダイムである。 提案するCentroid-based approach, CCViT は k-means clustering を利用して画像モデリングのためのCentroid を得る。 提案手法は, 外部監督や蒸留訓練を伴わずに, 最近のベースラインと競合する結果が得られる。
  論文  参考訳（メタデータ） (2023-03-08T15:34:57Z)
• Out-of-boundary View Synthesis Towards Full-Frame Video Stabilization [82.56853587380168]
  ウォーピングベースのビデオ安定器は、各ピクセルの変位とワープフレームを不安定なものから制限することにより、カメラの軌道を円滑にする。 OVSは、既存のワーピングベースの安定化器にプラグアンドプレイモジュールとして統合することができ、安定した結果の収穫率を大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-08-20T08:07:47Z)

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。