論文の概要: Bg-Mix: On Using Image Backgrounds for Data Augmentation in Electron Microscopy Images

• arxiv url: http://arxiv.org/abs/2611.03455v2
• Date: Wed, 04 Nov 2026 08:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:57.718894
• Title: Bg-Mix: On Using Image Backgrounds for Data Augmentation in Electron Microscopy Images
• Title（参考訳）: Bg-Mix:電子顕微鏡画像におけるデータ増大のための背景画像の利用について
• Abstract要約: Bg-Mixは、トレーニングイメージを前景オブジェクトと背景に分解し、双方を新しい拡張イメージに再構成するデータ拡張の形式である。 2つのデータセットでテストすると、ベースライン上で+0.8と+3.3ボックス平均平均精度(mAP)ポイントが増加する。
• 参考スコア（独自算出の注目度）: 0.41863834321571397
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electron microscopy (EM) serves as a cornerstone in virology enabling the visualization of viral particles and is widely used in research, diagnostics and morphological characterization of pathogens. Computer-assisted image analysis can help facilitate and speed up this labor-intensive method, however, typical EM virus datasets are small and sparsely labeled, resulting in a lack of readily available deep learning models due to training limitations. To overcome data shortages and leverage content-rich, diverse sample backgrounds, we employed background-based data augmentation. To this end, we propose Bg-Mix, a form of data augmentation method, which decomposes training images into foreground objects and backgrounds and subsequently rearranges both into novel augmented images. This not only enhances the performance of object detection models but also increases the diversity of the training data. Using Bg-Mix provides an increase between +0.8 and +3.3 box mean average precision (mAP) points over the baseline when tested across two datasets using two architectures, thereby demonstrating its effectiveness.
• Abstract（参考訳）: 電子顕微鏡(Electron Microscopy, EM)は、ウイルス粒子の可視化を可能にするウイルス学の基盤となり、病原体の研究、診断、形態学的特徴に広く用いられている。 コンピュータ支援画像解析は、この労働集約的手法の促進と高速化に役立つが、典型的なEMウイルスデータセットは小さく、わずかにラベル付けされているため、トレーニングの制限により、容易に利用できるディープラーニングモデルが欠如している。 データ不足を克服し、コンテンツリッチで多様なサンプルバックグラウンドを活用するために、バックグラウンドベースのデータ拡張を採用しました。 そこで本研究では,Bg-Mixというデータ拡張手法を提案し,トレーニング画像を前景のオブジェクトと背景に分解し,その後,新しい拡張画像に再構成する。 これによりオブジェクト検出モデルの性能が向上するだけでなく、トレーニングデータの多様性も向上する。 Bg-Mixを使用すると、ベースライン上の+0.8と+3.3ボックスの平均精度(mAP)ポイントが増加し、2つのアーキテクチャを使用して2つのデータセットでテストされる。

関連論文リスト

• Generated Images Are Easier to Forget: A Machine Unlearning Perspective for Synthetic Image Detection [107.62647907393377]
  Webスケールデータセットに事前トレーニングされた大規模ビジョンモデル(LVM)は、例外的な一般化能力を示している。 1)データアクセスなしで未学習を誘発するデータフリー検出法,2)LVMを生成画像に関連付けられた未学習の知識に最適化するデータ駆動検出法,である。
  論文  参考訳（メタデータ） (2026-08-01T15:33:15Z)
• Improving Combined Detection and Classification of TEM Defects via Mask-Conditioned Latent Diffusion Augmentation [2.471708266724695]
  マスク条件付き潜時拡散モデル(LDM)を用いた生成データ拡張手法を導入し,現実的なTEM画像を制御可能で自動ラベル付き欠陥マスクで合成する。 以上の結果から,F1スコアの高調波平均値が最大0.02向上し,モデル全体の性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-06-01T17:38:47Z)
• Diffusion-Based Synthetic Brightfield Microscopy Images for Enhanced Single Cell Detection [0.0]
  本研究では,無条件モデルを用いた合成光電場顕微鏡画像の生成について検討する。 U-Netベースの拡散モデルをトレーニングし、合成画像と実画像の比率の異なるデータセットを作成するために使用した。 YOLOv8, YOLOv9, RT-DETRを用いた実験では, 合成データによるトレーニングにより検出精度が向上することが示された。
  論文  参考訳（メタデータ） (2025-11-25T08:57:23Z)
• Improved Sub-Visible Particle Classification in Flow Imaging Microscopy via Generative AI-Based Image Synthesis [1.172405562070645]
  フローイメージング顕微鏡とディープラーニングを組み合わせたサブ可視粒子分析は,粒子のタイプ同定に有効であることが証明された。 しかし、利用可能なデータの不足とデータセット内の粒子タイプ間の深刻な不均衡は、依然として大きなハードルとなっている。 トレーニングデータセットを拡張可能な高忠実度画像を生成することにより、データの不均衡に対処する最先端拡散モデルを開発する。
  論文  参考訳（メタデータ） (2025-08-08T05:15:02Z)
• Comparative Analysis of Deep Learning Strategies for Hypertensive Retinopathy Detection from Fundus Images: From Scratch and Pre-trained Models [5.860609259063137]
  本稿では,眼底画像から高血圧性網膜症を検出するためのディープラーニング手法の比較分析を行った。 我々は、カスタムCNN、トレーニング済みトランスフォーマーベースモデルのスイート、AutoMLソリューションの3つの異なるアプローチについて検討する。
  論文  参考訳（メタデータ） (2025-06-14T13:11:33Z)
• MaskTerial: A Foundation Model for Automated 2D Material Flake Detection [48.73213960205105]
  MaskTerialと呼ばれる深層学習モデルを提案する。このモデルでは、インスタンスセグメンテーションネットワークを用いて、2D素材のフレークを確実に識別する。 このモデルは、ラベルのないデータからリアルな顕微鏡画像を生成する合成データ生成装置を用いて、広範囲に事前訓練されている。 六方晶窒化ホウ素などの低コントラスト材料の検出において,既存の技術よりも顕著な改善が認められた。
  論文  参考訳（メタデータ） (2024-12-12T15:01:39Z)
• Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
  眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。 対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。 提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
  論文  参考訳（メタデータ） (2024-03-23T22:32:06Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Deeply-Supervised Density Regression for Automatic Cell Counting in Microscopy Images [9.392002197101965]
  顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。 提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。 4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2020-11-07T04:02:47Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。