Fugu-MT 論文翻訳(概要): On Detection Reliability for Small Object Segmentation

論文の概要: On Detection Reliability for Small Object Segmentation

arxiv url: http://arxiv.org/abs/2610.34432v1
Date: Sun, 25 Oct 2026 16:39:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.613754
Title: On Detection Reliability for Small Object Segmentation
Title（参考訳）: 小物体セグメンテーションにおける検出信頼性について
Abstract要約: 本研究では,小対象セグメンテーションの実施場所を決定するために,予測境界ボックスが信頼性が高いかを検討する。この調査では、アデノウイルス粒子を小さな物体として、YOLO26xを検出に、YO-LO26x-Seemをセグメンテーションに、Mask R-CNNを検出とセグメンテーションの両方に利用している。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study investigates whether predicted bounding boxes are reliable for determining where small-object segmentation should be performed without risking false negatives outside those boxes. The investigation leverages adenovirus particles as small objects, YOLO26x for detection, YO-LO26x-Sem for segmentation, and Mask R-CNN for both detection and segmentation. Segmenta-tion-model predictions were matched to ground-truth adenovirus masks or reference objects using their centroids, with ground-truth mask centroids preferred over ground-truth bounding-box centroids as references for matching. Matched predicted-mask centroids were considered as inside at least one detector-predicted bounding box or outside all such boxes, while ground-truth masks without matched predictions were recorded as having no matched segmentation. For the YOLO26 models, 34 reference objects (47.89%) had matched segmentation centroids inside at least one pre-dicted box, 8 (11.27%) had centroids outside all predicted boxes, and 29 (40.85%) had no matched predicted segmentation. For the Mask R-CNN model, the corresponding counts were 69 (97.18%), 0 (0.00%), and 2 (2.82%). These preliminary experiments demonstrated that restricting segmentation to detector-predicted bounding boxes risks excluding matched segmentation predictions outside those boxes, potentially introducing false negatives.
Abstract（参考訳）: 本研究では, 予測された有界箱が, ボックス外における偽陰性リスクを負わずに, 小物体のセグメンテーションを行うべき場所を決定する上で信頼性が高いかを検討する。この調査では、アデノウイルス粒子を小さな物体として、YOLO26xを検出に、YO-LO26x-Seemをセグメンテーションに、Mask R-CNNを検出とセグメンテーションの両方に利用している。セグメンタ・オン・モデル予測は, 接地トラスアデノウイルスマスクやそれらの遠心体を用いた基準対象と一致し, 接地トラス・ボンディングボックスの遠心体よりも接地トラスマスクが好まれていた。一致した仮面セントロイドは、少なくとも1つの検出器予測境界箱内か、またはそのような箱の外側と見なされ、一致した予測のない接地トラスマスクは、一致したセグメンテーションを持たないと記録された。 YOLO26のモデルでは、34の参照オブジェクト(47.89%)が少なくとも1つの予測されたボックス内のセグメンテーションセントロイドと一致し、8(11.27%)は予測されたボックスの外側にセントロイドを持ち、29(40.85%)は一致したセグメンテーションを持っていなかった。 Mask R-CNNモデルでは、対応する数は69 (97.18%)、0 (0.00%)、および2 (2.82%)である。これらの予備実験は、検知器が予測する有界箱へのセグメンテーションを制限することは、これらのボックスの外側の一致したセグメンテーション予測を除いて危険であり、偽陰性を引き起こす可能性があることを示した。

関連論文リスト

MDSkin-Net: Multi-Task Skin Lesion Analysis Driven by Pattern Analysis Priors and Spatial Alignment Regularization [0.9074809442649636]
キューレベルのパターン解析をCNN-Transformerアーキテクチャに組み込んだMDSkin-Netを提案する。その中核には、異なる皮膚内視鏡的手がかりによって動機付けられた3つの前駆体からなるPattern Analysis-Guided Attention Module (PAGAM)がある。階層型ソフト・インスペクションとしてセグメンテーション・グラウンド・トゥルースマスクを用いたマルチスケール空間アライメント・正規化(MSAR)を導入する。
論文参考訳（メタデータ） (2026-09-25T06:02:34Z)
Topology-Aware Training and Spatial Diagnostics for Fiber Bundle Segmentation in Tracer Histology [0.26388783516590225]
凍結したDINOv3バックボーンを用いて,マカクトレーサー組織学における繊維束のセグメンテーションを解析した。私たちの知る限り、これはこのタスクの基盤モデル機能に関する最初の調査である。我々は,この規則が過偏差を捉えないことを示すとともに,セクションごとのTPRは完全リコールに割り当てられた空のセクションによって膨らませることができることを示す。
論文参考訳（メタデータ） (2026-09-03T20:25:59Z)
Occlusal Geometry in Closed Form for Orthodontic Report Generation [0.0]
上述のRAS規約に代えて,アーチテーパーとアーチ閉鎖から解剖学的フレームを回収する。各アーチは, オーバービット, オーバージェット, ミッドライン偏差, 横オーバーラップ, クロスビット範囲, 交叉ラグ, 咬合曲線を有するアーチ角座標において, 咬合隆起プロファイルに還元される。
論文参考訳（メタデータ） (2026-09-02T14:58:29Z)
Exploring Prompt Alignment with Clinical Factors in Zero-Shot Segmentation VLMs for NSCLC Tumor Segmentation [0.05597620745943382]
ゼロショット視覚言語モデル (Zero-shot Vision-Language Model, VLMs) は、腫瘍容積のデライン化のためのタスク特化トレーニングに代わる、迅速な代替手段を提供する。我々は,VoxTell内腫瘍データセットのアライメント方向について検討した。アライメント分析により、解剖学的位置がVoxTellの空間的注意の主役であることが判明した。
論文参考訳（メタデータ） (2026-05-02T05:49:32Z)
Bounding Box Stability against Feature Dropout Reflects Detector Generalization across Environments [52.65013932553849]
良い検出器は、位置があまり変化しない有界箱を出力する傾向があり、弱い検出器の有界箱は顕著な位置変化を受ける。ボックス安定性スコア(BoSスコア)を計算して、この安定性を反映する。各種試験環境における平均平均精度(mAP)を用いて測定した検出精度とBoSスコアが強い正の相関関係を持つことに寄与する。
論文参考訳（メタデータ） (2024-03-20T17:59:16Z)
Segmenting Known Objects and Unseen Unknowns without Prior Knowledge [86.46204148650328]
全体論的セグメンテーションは、目に見えない未知のカテゴリのオブジェクトを、それに関する事前の知識なしにインスタンスに識別し、分離することを目的としている。 U3HSでは、未知の領域を極めて不確実な領域として見つけ、対応するインスタンス認識の埋め込みを個々のオブジェクトにクラスタ化する。 MS、Cityscapes、Lost&Foundの公開データに関する実験は、U3HSの有効性を実証している。
論文参考訳（メタデータ） (2022-09-12T16:59:36Z)
Occlusion-Resistant Instance Segmentation of Piglets in Farrowing Pens Using Center Clustering Network [48.42863035798351]
本稿では,CClusnet-Inseg と呼ばれるインスタンスセグメンテーションのための新しい Center Clustering Network を提案する。 CClusnet-Insegは、各ピクセルを使ってオブジェクト中心を予測し、これらの中心をトレースし、クラスタリング結果に基づいてマスクを形成する。 6本のペンから収集した6本の動画から4600枚の画像を抽出し、その方法の訓練と検証を行った。
論文参考訳（メタデータ） (2022-06-04T08:43:30Z)
Edge-competing Pathological Liver Vessel Segmentation with Limited Labels [61.38846803229023]
病理画像からのMVI検出に適したアルゴリズムはまだ存在しない。本報告では, 血管, MVI, および腫瘍のグレードをラベルとした522枚のスライド画像を含む, 初めて病理組織学的肝画像データセットを収集する。本稿では,2つのエッジセグメンテーション・ネットワークと2つのエッジセグメンテーション・ディミネータを含むエッジコンペティング・コンテナ・ネットワーク(EVS-Net)を提案する。
論文参考訳（メタデータ） (2021-08-01T07:28:32Z)
DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文参考訳（メタデータ） (2021-05-30T22:07:13Z)
COVID-19 detection using chest X-rays: is lung segmentation important for generalization? [3.198144010381572]
深部ニューラルネットワーク(DNN)は、比較的小さく混合されたデータセットを使用して、胸部X線をCOVID-19、正常または肺炎として分類するために訓練された。外部データセットとLRP分析のパフォーマンスは、DNNを小さな混合データセットでトレーニングし、COVID-19を検出することを示唆している。
論文参考訳（メタデータ） (2021-04-12T09:06:28Z)
Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。合計320回の試験(平均6回の試験)と28回の試験が行われた。ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
論文参考訳（メタデータ） (2020-05-27T20:44:38Z)

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。