抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
画像セグメンテーションへの深いメトリック学習アプローチにおいて,畳込みネットは画像の画素において特徴ベクトルを密に生成する。特徴ベクトルの対は,対応する画素が同じか異なるグランドトルース部分に属するかどうかに依存して,類似または異なるように訓練される。新しい画像を分割するために,特徴ベクトルを計算してクラスタ化した。経験的および理論的に,深いメトリック学習が畳込みネットによる親和性グラフを直接予測するより従来のアプローチより優れているかどうかは不明である。著者らは,連続切片電子顕微鏡画像から脳画像を用いて2つのアプローチを比較する。それは,実例セグメンテーションの特に挑戦的な例を構成する。最初に,特徴ベクトルのシードベースの後処理が,大きなオブジェクトを横切って一様に残る特徴ベクトルを予測するための畳込みネットに対して困難であるため,劣った精度を生成することを示した。次に,最近傍グラフを閾値化することにより後処理を検討し,続いて接続された構成要素を検討した。この場合,「計量グラフ」からのセグメンテーションは,直接予測された親和性グラフからのセグメンテーションよりも競争力があるか,あるいは優れている。これらの知見を理論的に説明するために,計量関数が三角形不等式を満たす性質を検討した。次に,この制約が雑音を抑制する例を示し,非拘束親和性グラフよりも,よりロバストに計量グラフをセグメント化するための連結成分を引き起こす。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】