Hierarchical Image Classification with A Literally Toy Dataset 画像分類における教師なしドメイン適応(UDA)は依然として大きな課題です。既存のUDA画像データセットでは、クラスは通常、単純な分類器をトレーニングできるフラットな方法で編成されます。ただし、一部のシナリオでは、フラットカテゴリは一部の基本クラスに由来します。たとえば、バギーはクラスの鳥に属しています。クラスが上記の特性を持ち、フラットクラスと基本クラスが階層的な画像分類として階層的に編成されている分類タスクを定義します。直感的には、このような階層構造を活用すると、階層的な画像分類に役立ちます。たとえば、混乱しやすい2つのクラスは、まったく異なる基本クラスに属している可能性があります。この論文では、ラベルの階層から学習した特徴を融合することにより、分類のパフォーマン
Accurate Point Cloud Registration with Robust Optimal Transport この作業では、形状マッチングのための堅牢な最適輸送(OT)の使用を調査します。具体的には、最近のOTソルバーが、点群登録の最適化ベースの方法と深層学習方法の両方を改善し、手頃な計算コストで精度を向上させることを示します。この原稿は、現代のOT理論の実際的な概要から始まります。次に、このフレームワークを形状マッチングに使用する際の主な問題の解決策を提供します。最後に、さまざまな困難なタスクでのトランスポート拡張登録モデルのパフォーマンスを紹介します。 Kittiデータセットのシーンフロー推定。吸気と呼気の間の肺血管樹のノンパラメトリック登録。当社のOTベースの方法は、精度と拡張性の両方の点で、キティと困難な肺登録タスクで最先端の結果を達成します。また、密にサンプリン
Calibrating the Dice loss to handle neural network overconfidence for biomedical image segmentation ダイス類似係数(DSC)は、クラスの不均衡に対するロバスト性のため、生物医学画像セグメンテーションに広く使用されているメトリックと損失関数の両方です。ただし、DSC損失のキャリブレーションが不十分であるため、予測が過信になり、生物医学的および臨床的実践で有用に解釈できないことはよく知られています。パフォーマンスは、多くの場合、ディープニューラルネットワークによって生成されたセグメンテーションを評価するために使用される唯一のメトリックであり、キャリブレーションはしばしば無視されます。ただし、キャリブレーションは、生物医学および臨床診療への翻訳にとって重要であり、科学者や臨床医による解釈のための予
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く