論文の概要: MoWE: Spatially Adaptive Mixture-of-Wavelet-Experts Pooling for Ultrasound Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2610.25074v1
• Date: Sun, 18 Oct 2026 07:29:52 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:40:49.886533
• Title: MoWE: Spatially Adaptive Mixture-of-Wavelet-Experts Pooling for Ultrasound Lesion Segmentation
• Title（参考訳）: MoWE:超音波損傷セグメンテーションのための空間適応型混合ウェーブレットサーキットポーリング
• Abstract要約: Mixture-of-Wavelet-Experts (MoWE) は、超音波病変セグメンテーションのためのU-Netアーキテクチャにおける最大プールとストライド畳み込みを置き換える空間適応型ルーティング機構である。 4つの超音波病変ベンチマーク(BUSI, TN3K, UDIAT, BUS-UCLM)と1つの心臓データセット(CAMUS)を用いたU-Netを用いたMoWEの評価を行った。 nnU-Netでは、MoWEはDiceを80.18%から81.97%に改善し、ASSDを20.07から17.25,pxに削減した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We present Mixture-of-Wavelet-Experts (MoWE), a spatially adaptive routing mechanism that replaces max-pooling and strided convolutions in U-Net architectures for ultrasound lesion segmentation. Standard pooling operations suppress high-frequency spatial details, including potential boundary cues in speckled regions. Recent frequency-domain methods preserve some of these details, but a single wavelet family applies the same spectral bias across the image. MoWE instead uses a context-aware router to assign local regions to fixed wavelet families according to local texture and global feature context. The decoder reuses the encoder's spatial routing maps during the inverse transform. Learnable channel-wise gates rescale the high-frequency subbands before reconstruction. We evaluate MoWE with U-Net on four ultrasound lesion benchmarks (BUSI, TN3K, UDIAT, BUS-UCLM) and one cardiac dataset (CAMUS), and with nnU-Net on BUSI. On BUSI, MoWE improves U-Net Dice from 72.59\% to 74.55\% and reduces HD95 from 47.01 to 43.49\,px. With nnU-Net, MoWE improves Dice from 80.18\% to 81.97\% and reduces ASSD from 20.07 to 17.25\,px. On U-Net, MoWE reduces trainable parameters by 6.4\%.
• Abstract（参考訳）: We present Mixture-of-Wavelet-Experts, a spatially adapt routing mechanism that replaceds max-pooling and strided convolutions in U-Net architectures for Ultrasonic lesion segmentation。 標準プール操作は、スペックル領域における潜在的な境界手がかりを含む高周波空間の詳細を抑制する。 最近の周波数領域法では、これらの詳細はいくつか保存されているが、単一のウェーブレット系が画像全体で同じスペクトルバイアスを適用している。 代わりに、MoWEはコンテキスト対応ルータを使用して、ローカルテクスチャとグローバル機能コンテキストに応じて、固定ウェーブレットファミリーにローカルリージョンを割り当てる。 デコーダは、逆変換中にエンコーダの空間ルーティングマップを再利用する。 チャネルワイズゲートは再建前に高周波サブバンドを再スケールする。 われわれは,U-Netを用いて4つの超音波病変ベンチマーク (BUSI, TN3K, UDIAT, BUS-UCLM) と1つの心臓データセット (CAMUS) , および BUSI 上のnnU-Net を用いてMoWEを評価した。 BUSIでは、U-Net Diceを72.59\%から74.55\%に改善し、HD95を47.01から43.49\,pxに削減した。 nnU-Netでは、MoWEはDiceを80.18\%から81.97\%に改善し、ASSDを20.07から17.25\,pxに削減する。 U-Netでは、トレーニング可能なパラメータを6.4\%削減する。

関連論文リスト

• WALoMA: A Multitask Wireless Foundation Model via Adaptive Low-Rank Masked Autoencoders [23.225139930889526]
  本稿では,適応型低ランクマスキングオートエンコーダ(WALoMA)を用いたマルチタスク無線基礎モデルを提案する。 専門的なタスク固有のディープラーニングモデルの制限と、ラベル付き無線データセットの不足による実践的な課題に対処する。
  論文  参考訳（メタデータ） (2026-07-28T14:18:22Z)
• LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
  視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。 しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。 本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
  論文  参考訳（メタデータ） (2026-06-26T09:11:59Z)
• TinyML Enhances CubeSat Mission Capabilities [8.462623779881566]
  本稿では,画像分類のための畳み込みニューラルネットワーク(ConvNets)モデル最適化と配置パイプラインを提案する。 我々のパイプラインは、構造化された反復プルーニング、後のINT8量子化、および圧縮モデルへのハードウェア対応オペレータマッピングを統合している。 最適化されたモデルでは、RAM使用率89.55%、フラッシュメモリ709%の平均的な削減が示されている。
  論文  参考訳（メタデータ） (2026-03-20T17:51:07Z)
• InterGridNet: An Electric Network Frequency Approach for Audio Source Location Classification Using Convolutional Neural Networks [2.0749231618270803]
  InterGridNetと呼ばれる新しいフレームワークが導入され、SP Cup 2016データセットのElectric Network Frequency(ENF)シグネチャの位置分類に浅いRawNetモデルを利用している。 テスト記録におけるInterGridNetの全体的な精度は92%であり、SPカップ2016でテストされた最先端の手法に対する効果を示している。
  論文  参考訳（メタデータ） (2025-02-14T08:45:35Z)
• Rethinking Transformer-Based Blind-Spot Network for Self-Supervised Image Denoising [94.09442506816724]
  BSN(Blind-spot Network)は、自己教師付き画像復調(SSID)におけるニューラルネットワークアーキテクチャとして広く使われている。 本研究では,Transformer ベースの Blind-Spot Network (TBSN) を構築した。
  論文  参考訳（メタデータ） (2024-04-11T15:39:10Z)
• ASC: Adaptive Scale Feature Map Compression for Deep Neural Network [6.168970798989662]
  本稿では,特徴写像の特異性を利用した適応的スケール特徴写像圧縮手法を提案する。 28nmのTSMC実装では、8ビット版のゲート数は6135である。 32$times$のスループット向上は、DDR5-6400の理論的帯域幅をわずか7.65$timeのハードウェアコストで満たす。
  論文  参考訳（メタデータ） (2023-12-13T14:36:08Z)
• Data-Free Dynamic Compression of CNNs for Tractable Efficiency [46.498278084317704]
  構造化プルーニング手法は, 精度が大幅に低下することなく浮動小数点演算を低下させる可能性を示唆している。 HASTE(Hashing for Tractable Efficiency)は,データフリーでプラグイン・アンド・プレイのコンボリューションモジュールで,トレーニングや微調整なしにネットワークのテスト時間推論コストを瞬時に低減する。 CIFAR-10とImageNetでは46.72%のFLOPを1.25%の精度で削減した。
  論文  参考訳（メタデータ） (2023-09-29T13:09:40Z)
• SFNet: Faster and Accurate Semantic Segmentation via Semantic Flow [88.97790684009979]
  性能を改善するための一般的な実践は、強力な意味表現を持つ高解像度の特徴写像を得ることである。 隣接レベルの特徴マップ間のテキストセマンティックフローを学習するためのフローアライメントモジュール(FAM)を提案する。 また,高分解能特徴写像と低分解能特徴写像を直接整列するGated Dual Flow Alignment Moduleを提案する。
  論文  参考訳（メタデータ） (2022-07-10T08:25:47Z)
• Filter Sketch for Network Pruning [184.41079868885265]
  事前学習したネットワーク重み(フィルタ)の情報保存による新しいネットワークプルーニング手法を提案する。 われわれのアプローチは、FilterSketchと呼ばれ、事前訓練された重みの2次情報を符号化する。 CIFAR-10の実験では、FilterSketchはFLOPの63.3%を削減し、ネットワークパラメータの59.9%を無視できる精度で削減している。
  論文  参考訳（メタデータ） (2020-01-23T13:57:08Z)

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。