論文の概要: Selective Surgical Action-Center Localization:Retaining Localization Gains through Supervised Scoring
- arxiv url: http://arxiv.org/abs/2611.12977v1
- Date: Sun, 08 Nov 2026 04:58:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-12 04:24:43.505004
- Title: Selective Surgical Action-Center Localization:Retaining Localization Gains through Supervised Scoring
- Title(参考訳): 選択的手術行動中心の局所化:監督スコーリングによる局所化の維持
- Abstract要約: 熱マップと座標制御とロジスティック回帰スコアラを組み合わせた選択的局所化パイプラインを提案する。
スコアラは、所定の許容範囲内で、レポート可能なセンタとローカライズエラーとで予測を識別する。
ソース毎の80%の受信クォータと画像対角線の0.10倍の許容値で、この方法は100入力あたり46.08の正確な出力を保持する。
- 参考スコア(独自算出の注目度): 2.9978056524790855
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Surgical action-center localization requires both an accurate reference point and a decision about whether to report it. When frames with and without a reportable center are mixed, the benefit of improved localization depends on which correct candidates survive selection. We present a selective localization pipeline combining heatmap and coordinate supervision with a logistic-regression scorer. The scorer learns to identify predictions with a reportable center and a localization error within a specified tolerance. The internal evaluation uses 5,000 frames from 50 surgical sources, five source-grouped folds and two random seeds. Matched locator and scoring comparisons track correct candidates and their rejection. At an 80% acceptance quota per source and a tolerance of 0.10 times the image diagonal, our method retains 46.08 correct outputs per 100 inputs. The baseline locator with the same scoring approach retains 44.20. The gain is 1.88 (descriptive 95% source-paired bootstrap interval, 0.94 to 2.79). Under entropy-based selection, increased rejection of correct predictions offsets the higher supply of correct predictions on average. For the coordinate-supervised locator, supervised scoring reduces these rejections from 6.15 to 2.99 per 100 inputs. Evaluating retained correct outputs reveals whether a selection rule preserves or erodes an improvement in localization.
- Abstract(参考訳): 外科的行動中心の局所化は、正確な基準点と報告するかどうかの判断の両方を必要とする。
レポート可能なセンタを持つフレームとそれのないフレームが混在する場合、ローカライゼーションの改善の利点は、どの候補が選択を生き残るかに依存する。
熱マップと座標制御とロジスティック回帰スコアラを組み合わせた選択的局所化パイプラインを提案する。
スコアラは、所定の許容範囲内で、レポート可能なセンタとローカライズエラーとで予測を識別する。
内部評価では、50の外科的ソースから5,000フレームを使用し、5つのソースグループ折りと2つのランダムシードを使用する。
一致したロケータとスコアリングの比較は、正しい候補とその拒否を追跡する。
ソース毎の80%の受信クォータと画像対角線の0.10倍の許容値で、この方法は100入力あたり46.08の正確な出力を保持する。
同じスコアリングアプローチのベースラインロケータは44.20を維持している。
ゲインは1.88(95%のソースペアブートストラップ間隔、0.94から2.79)である。
エントロピーに基づく選択の下では、正しい予測の拒絶の増大は、平均的な正しい予測の供給を相殺する。
座標制御されたロケータでは、制御されたスコアリングにより、これらの拒絶は100入力あたり6.15から2.99に減少する。
保持された正しい出力を評価することは、選択規則がローカライゼーションの改善を保留するか、損なうかを明らかにする。
関連論文リスト
- Aggregate accuracy conceals concentrated temporal vulnerability in a spiking speech classifier [0.0]
集約精度は、どの発話が局所的に脆弱であるか、ラベルが安定していればどのように内部活動が変化するかを明らかにすることはできない。
凍結したSpikeSCR分類器の約100の検証発話について, 隣接ビン725,070の予測を全て保持する。
論文 参考訳(メタデータ) (2026-10-02T11:27:03Z) - Reliability-Aware Checkpoint Selection for Domain Generalization [40.17114894052837]
精度制約付き信頼性選択(AC)について検討する。
ACは、最適なソースバリデーション精度の許容範囲内にチェックポイントを保持し、ソース信頼性でランク付けする。
ACは目標データを使用しず、追加のトレーニングも重量平均化も必要としない。
論文 参考訳(メタデータ) (2026-09-30T15:17:32Z) - Exact Finite Attention Responses From RoPE Derivatives [0.0]
我々は、注意介入のための正確なローカル応答を導き、キャッシュされたベースラインと1つの後方パスから候補編集を採点できる。
その結果、92,160回の位置編集で95.36-96.52%の符号精度が得られた。
論文 参考訳(メタデータ) (2026-09-12T20:15:37Z) - Unmatched Does Not Mean False: Incomplete Reference Sets Can Reverse Calibration Rankings in Open-Ended Theory-of-Mind Tracking [0.5735035463793009]
Open-ended Theory-of-Mind (ToM) トラッカーは有限参照を欠く有効な信念を出力する。
有限参照+マーチャントパイプラインは、不正な出力をマークし、適切なスコアモデル選択をリバース可能なプロキシラベルを生成する。
論文 参考訳(メタデータ) (2026-08-26T11:36:31Z) - RefineRank: Joint Box Refinement and Ranking for Surgical Spatio-Temporal Grounding [1.1161075621843597]
既存のアプローチはトレードオフに直面している: 言語モデルは質問コンテキストを理解し、不正確な座標を生成する。
このギャップを候補ボックスレベルで埋めるRefineRankを紹介します。
コンパクトなトレーニング可能なモジュールであるRefineNetは、凍結された医療ビジョン言語モデルの言語と地域特性と、凍結されたオープンセット検出器の提案を組み合わせる。
論文 参考訳(メタデータ) (2026-08-25T00:20:29Z) - Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection [0.12691047660244334]
DCASE Challenge Task 2における1発の異常音検出は、未確認の機械の異常を1つの閾値で警告しなければならない。
ソースドメインとターゲットドメインのAUCはシステム間で負の相関を持ち、開発セットの性能は評価セットのパフォーマンスを予測しない。
凍結したオーディオ埋め込みの上に、トレーニング不要のポストホック層で対処する。
論文 参考訳(メタデータ) (2026-07-05T22:22:31Z) - What Are We Actually Decoding? Source Attribution for Non-Invasive Brain-to-Language Retrieval [42.66754319854329]
我々は,刺激同期MEG-to-audio検索を監査フレームワークとして再放送した。
構造的ショートカット、ウィンドウレベルの刺激ロックされたエビデンス、ウィンドウ間のコンテキストアグリゲーションを使用します。
これらの結果は、脳から言語へのパフォーマンスは、単に報告されるのではなく、ソース属性であるべきだことを示唆している。
論文 参考訳(メタデータ) (2026-05-23T11:23:39Z) - Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。
禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。
我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
論文 参考訳(メタデータ) (2020-10-27T08:51:30Z) - Learning Calibrated Uncertainties for Domain Shift: A Distributionally
Robust Learning Approach [150.8920602230832]
ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。
特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。
提案手法は下流タスクに有利な校正不確実性を生成する。
論文 参考訳(メタデータ) (2020-10-08T02:10:54Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳(メタデータ) (2020-06-08T07:24:33Z)
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。