論文の概要: An Invariant Tangent-Angle Descriptor and a Band U-Net for 2D Fragment Adjacency Prediction
- arxiv url: http://arxiv.org/abs/2610.09459v1
- Date: Wed, 07 Oct 2026 05:14:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-08 21:58:22.730805
- Title: An Invariant Tangent-Angle Descriptor and a Band U-Net for 2D Fragment Adjacency Prediction
- Title（参考訳）: 2次元フラグメント隣接予測のための不変タンジェングル記述子とバンドU-ネット
- Abstract要約: ボーラの論文で提案された2段階アーキテクチャを改善した。
ResNetは2つのフラグメントの隣接性を明らかにする部分的な対角バンドを検出する。
輪郭窓の接角プロファイルの比較により局所スコアを置き換える。
- 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: This paper addresses the prediction of adjacency between pairs of 2D fragments based on their contours. We improved the two-stage architecture proposed in Beaulac's thesis, in which a rotation-equivariant Siamese convolutional neural network scores pairs of local image windows along the two contours of two fragments. The scores are gathered in an adjacency matrix in which a ResNet detects the partial anti-diagonal band that reveals the adjacency of two fragments. In the current work, we keep the pipeline and replace the local score by a comparison of tangent-angle profiles of contour windows, making it, by construction, invariant to fragment rotation and agnostic to the selected contour-starting point. These adaptations may be either a training-free likelihood ratio or a small one-dimensional convolutional model trained on corresponding points. We also replaced the final classifier by a band U-Net that segments the band and classifies the pair, so that the shared arc is obtained along with the decision. In the synthetic data set of the original thesis, the tangent descriptor performs as well as or better than the image-window approach in all tested configurations. The proposed pipeline reaches an accuracy of 98%, vs 93% to 95% for the original approach once its evaluation is corrected. We tested our pipeline, with models trained only on synthetic data, on the PairingNet benchmark, and obtained an AUC of 0.93. Furthermore, under the PairingNet pair-searching protocol conditions, our learned descriptor obtains a Recall@10 of 0.82 on the real set against 0.56 from the best model of the original paper.
- Abstract（参考訳）: 本稿では,その輪郭に基づく2次元フラグメント間の隣接性の予測について述べる。
そこで,Beaulac氏の論文で提案した2段階のアーキテクチャを改良し,2つのフラグメントの2つの輪郭に沿って,回転同変のSamese畳み込みニューラルネットワークが局所的な画像ウィンドウのペアをスコアする。
スコアは、ResNetが2つのフラグメントの隣接を示す部分的な反対角バンドを検出する隣接行列に収集される。
現在の研究で、我々はパイプラインを維持し、輪郭窓の接角プロファイルの比較により局所スコアを置き換え、構成により、断片回転に不変であり、選択された輪郭開始点に非依存である。
これらの適応は、訓練のない確率比か、対応する点で訓練された小さな1次元畳み込みモデルのいずれかかもしれない。
また、最終分類器をバンドU-Netに置き換え、バンドを分割してペアを分類し、その決定に従って共有弧を得る。
原論文の合成データセットでは、タンジェントディスクリプタは、すべてのテスト済み構成において、画像ウィンドウアプローチよりも同等以上の性能を発揮する。
提案したパイプラインの精度は98%,評価が正しければ93%から95%に達する。
PairingNetベンチマークで、合成データのみに基づいてトレーニングされたモデルでパイプラインをテストし、AUCの0.93を得た。
さらに、PairingNetペア探索プロトコル条件下では、学習記述子は、元の論文の最良のモデルから0.56に対して実集合上のRecall@10の0.82のRecall@10を取得する。
関連論文リスト
- DIFTA-3D: Depth-Consistent Instance-Level Feature Transfer and Adaptation of DINOv3 for 3D Detection [5.6989606880724155]
RGB-Dインスタンス検出器は視覚的セマンティクスの恩恵を受けるが、IIFNet3Dカップルが使用するタスク固有の高速R-CNN/ResNetブランチは、別々に訓練された2D検出器に特徴抽出を行う。
そのブランチを凍結したビジョンファウンデーションモデルに置き換えると、このタスク固有の依存関係が削除される。
本稿では,IIFNet3Dのインスタンスレベルの融合パイプラインへのDINOv3の適応により,この置換について検討する。
論文 参考訳（メタデータ） (2026-09-22T16:53:23Z) - NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections [41.99844472131922]
提案するNObSPは,予測を機能毎の明示的なコントリビューション関数と相互作用残差に分解するフレームワークである。
NobSPはトレーニングされたネットワークの線形最終層を利用して、サンプル空間における斜め投影を用いて二重カウントを削減する。
畳み込みネットワークでは、NObSP-CAMは1回のキャリブレーション後に後方通過なしでクラスアクティベーションマップを生成する。
論文 参考訳（メタデータ） (2026-09-15T20:40:44Z) - Steer the Sampling, Not the Kernel Grid: Geometry-Guided Sampling Operator for Volumetric Segmentation [9.411407984734854]
畳み込みカーネルを変形させるのではなく,特徴をどこにサンプリングするかを制御できる幾何誘導型局所演算子を提案する。
各ボクセルでは、これらの方向に沿って対称にサンプルする、局所的な向きと有界なステップサイズを予測する。
ストライド1とストライド2を3D U-Netで置き換えると、BraTS、MSD肝血管、TDSC-ABUSが一貫した改善がなされる。
論文 参考訳（メタデータ） (2026-08-26T14:01:36Z) - EffiSegNet: Gastrointestinal Polyp Segmentation through a Pre-Trained EfficientNet-based Network with a Simplified Decoder [0.8892527836401773]
EffiSegNetは、トレーニング済みの畳み込みニューラルネットワーク(CNN)をバックボーンとして、トランスファーラーニングを活用する新しいセグメンテーションフレームワークである。
Kvasir-SEGデータセットを用いて消化管ポリープセグメンテーションタスクの評価を行い,その成果を得た。
論文 参考訳（メタデータ） (2024-07-23T08:54:55Z) - Split-and-Fit: Learning B-Reps via Structure-Aware Voronoi Partitioning [50.684254969269546]
本稿では,3次元CADモデルのバウンダリ表現(B-Reps)を取得する新しい手法を提案する。
各パーティション内に1つのプリミティブを導出するために空間分割を適用する。
我々のネットワークはニューラルなボロノイ図でNVD-Netと呼ばれ、訓練データからCADモデルのボロノイ分割を効果的に学習できることを示す。
論文 参考訳（メタデータ） (2024-06-07T21:07:49Z) - CurveCloudNet: Processing Point Clouds with 1D Structure [49.137477909835276]
我々はCurveCloudNetと呼ばれる新しいポイントクラウド処理方式とバックボーンを導入する。
CurveCloudNetは、ポイントクラウドをポリラインの集合としてパラメータ化し、ポイント上の局所的なサーフェスアウェアの順序を確立する。
CurveCloudNetは、様々なセグメンテーション設定において、ポイントベースとスパースボクセルの両方のバックボーンよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-03-21T17:41:36Z) - Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。
我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。
得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文 参考訳（メタデータ） (2022-11-16T21:55:05Z) - Overlap-guided Gaussian Mixture Models for Point Cloud Registration [61.250516170418784]
確率的3Dポイントクラウド登録法は、ノイズ、アウトレーヤ、密度変動を克服する競合性能を示した。
本稿では,一致したガウス混合モデル(GMM)パラメータから最適変換を演算する,重複誘導確率登録手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:02:33Z) - Learning Noise-Aware Encoder-Decoder from Noisy Labels by Alternating
Back-Propagation for Saliency Detection [54.98042023365694]
本稿では,ノイズを考慮したエンコーダ・デコーダ・フレームワークを提案する。
提案モデルはニューラルネットワークによってパラメータ化された2つのサブモデルから構成される。
論文 参考訳（メタデータ） (2020-07-23T18:47:36Z) - Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。
このようなペア関係を学習するための反復アルゴリズムを提案する。
本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
論文 参考訳（メタデータ） (2020-02-19T10:32:03Z)
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。