論文の概要: Active-DiNTS: Active Differentiable Network Topology Search

• arxiv url: http://arxiv.org/abs/2610.04787v1
• Date: Sat, 03 Oct 2026 22:18:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-11 16:39:55.604094
• Title: Active-DiNTS: Active Differentiable Network Topology Search
• Title（参考訳）: Active-DiNTS:Active Differentiable Network Topology Search
• Abstract要約: 本稿では、プールベースのActive Learningを2段階の微分可能なトポロジー探索に組み込んで、アーキテクチャ発見とラベルキュレーションを共同で行う手法であるActive-DiNTSを紹介する。 The Medical Decathlonによると、Active-DiNTSはDiceのDiNTS、C2FNAS、nnU-Netを上回り、Edemaでは10%、Non-Enhancing Coreでは5ポイント上昇した。
• 参考スコア（独自算出の注目度）: 0.8312192184427761
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Architecture Search (NAS) has proved to be a strong alternative to manual network design, but applying it to 3D medical image segmentation is limited by two well-known costs, large annotation budgets and multi-GPU clusters. Thus, this paper introduces Active-DiNTS (Active Differentiable Network Topology Search), an approach that embeds pool-based Active Learning (AL) into a bi-level differentiable topology search to perform architecture discovery and label curation jointly. At each query round, unlabeled MRI volumes are ranked by one of three uncertainty signals (Entropy, Variance, or Standard Deviation), and only the top-ranked volumes are sent to an oracle for annotation. The new labels feed two interlocked stages. Network weights are updated in an outer loop, while the macro/micro topology of a U-Net-style backbone is refined in an inner loop. Three AL regimes (weights-only, topology-only, joint) expose the speed-accuracy trade-off. Evaluations on the Medical Segmentation Decathlon (MSD) Task01 BrainTumour benchmark showed that Active-DiNTS surpasses DiNTS, C2FNAS, and nnU-Net in Dice, with gains of about 10 percentage points on Edema and 5 points on Non-Enhancing core, on a single GPU and using a fraction of the labeled volumes. The discovered architectures are denser and more FLOP-heavy than prior baselines, but remain competitive in trainable parameters and peak memory; the fastest search variant finishes in under 0.25 GPU-days, over 27x faster than the eight-GPU DiNTS search. Together, these results indicate that pairing differentiable NAS with active data acquisition is a practical recipe for accurate 3D segmentation under realistic constraints.
• Abstract（参考訳）: ニューラルネットワークサーチ(NAS)は、手動ネットワーク設計の強力な代替手段であることが証明されているが、それを3D画像セグメント化に適用することは、よく知られた2つのコスト、大規模なアノテーション予算、マルチGPUクラスタによって制限されている。 そこで本研究では,プールベースのアクティブラーニング(AL)を双方向の微分可能なトポロジ検索に組み込んで,アーキテクチャ発見とラベルキュレーションを共同で行う手法であるActive-DiNTS(Active Differentiable Network Topology Search)を提案する。 各クエリラウンドにおいて、ラベルなしのMRIボリュームは、3つの不確実な信号(エントロピー、変動、標準偏差)のうちの1つにランク付けされ、上位のボリュームだけがアノテーションのためにオラクルに送られる。 新しいラベルは2つのインターロックされたステージを提供する。 ネットワーク重みは外ループで更新され、U-Netスタイルのバックボーンのマクロ/マイクロトポロジーは内ループで洗練される。 3つのAL体制(重みのみ、トポロジーのみ、ジョイント)は、速度精度のトレードオフを露呈する。 The Medical Segmentation Decathlon (MSD) Task01 BrainTumourベンチマークによると、Active-DiNTSはDiceのDiNTS、C2FNAS、nnU-Netを上回り、Edemaでは約10ポイント、非エンハンシングコアでは5ポイント、単一のGPU上でラベル付きボリュームを使用する。 検出されたアーキテクチャは、以前のベースラインよりも密度が高く、FLOPが重いが、トレーニング可能なパラメータやピークメモリでは競争力がある。 これらの結果から,リアルな制約下での高精度な3次元セグメンテーションの実践的レシピとして,NASとアクティブなデータ取得を組み合わせることが示唆された。

関連論文リスト

• MLRU++: Multiscale Lightweight Residual UNETR++ with Attention for Efficient 3D Medical Image Segmentation [3.014234061484863]
  セグメント化精度と計算効率のバランスをとるために設計されたマルチスケール軽量Residual UNETR++アーキテクチャ。 4つの公開ベンチマークデータセットの実験は、MLRU++が最先端のパフォーマンスを達成することを示した。 MLRU++は, 3次元画像分割タスクに対して, 実用的で高性能なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-07-22T00:30:44Z)
• NeuraLoc: Visual Localization in Neural Implicit Map with Dual Complementary Features [50.212836834889146]
  本稿では,補完的な特徴を持つニューラル暗黙マップに基づく,効率的で斬新な視覚的局所化手法を提案する。 具体的には、幾何学的制約を強制し、ストレージ要件を小さくするために、3Dキーポイント記述子フィールドを暗黙的に学習する。 記述子の意味的あいまいさにさらに対処するために、追加の意味的文脈的特徴体を導入する。
  論文  参考訳（メタデータ） (2025-03-08T08:04:27Z)
• Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
  我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。 焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。 スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:34:10Z)
• Disentangle Your Dense Object Detector [82.22771433419727]
  深層学習に基づく高密度物体検出器はここ数年で大きな成功を収め、ビデオ理解などのマルチメディアアプリケーションにも応用されてきた。 しかし、現在の高密度検出器の訓練パイプラインは、保持できない多くの接続に妥協されている。 そこで本研究では, 簡易かつ効果的な遠心分離機構を設計し, 現在の最先端検出器に統合するDED(Disentangled Dense Object Detector)を提案する。
  論文  参考訳（メタデータ） (2021-07-07T00:52:16Z)
• DiNTS: Differentiable Neural Network Topology Search for 3D Medical Image Segmentation [7.003867673687463]
  ディグライザブルネットワークトポロジ検索スキーム(DiNTS)は,MSD(Medicical Decathlon)の課題に対して評価される。 本手法は,MSDチャレンジリーダーボードの最先端性能と上位ランキングを達成する。
  論文  参考訳（メタデータ） (2021-03-29T21:02:42Z)
• OPANAS: One-Shot Path Aggregation Network Architecture Search for Object Detection [82.04372532783931]
  近年、ニューラルアーキテクチャサーチ (NAS) が特徴ピラミッドネットワーク (FPN) の設計に活用されている。 本稿では,探索効率と検出精度を大幅に向上させる,ワンショットパス集約ネットワークアーキテクチャ探索(OPANAS)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-08T01:48:53Z)
• UXNet: Searching Multi-level Feature Aggregation for 3D Medical Image Segmentation [34.8581851257193]
  本稿では、3次元医用画像分割のための新しいNAS手法であるUXNetを提案する。 UXNetは、エンコーダ-デコーダネットワークのスケールワイズ機能集約戦略とブロックワイズ演算子の両方を検索する。 UXNetが発見したアーキテクチャは、いくつかの公開3D医療画像セグメンテーションベンチマークにおいて、Diceの点で既存の最先端モデルを上回っている。
  論文  参考訳（メタデータ） (2020-09-16T06:50:57Z)

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。