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。
畳み込み層と損失関数は深層学習における2つの基本的成分である。従来の深層学習カーネルの成功のため,より少ないパラメータで異なる周波数,方向,およびスケールにおいて豊富な特徴を提供できるという事実にもかかわらず,より汎用性の低いGaborカーネルは,あまり普及していない。マルチクラス画像セグメンテーションのための既存の損失関数のために,通常,精度,ハイパーパラメータに対するロバスト性,および異なる損失を組み合わせるための手動重み選択の間のトレードオフがある。したがって,深層学習における自動特徴生成の利点を維持しながらGaborカーネルを使用する利点を得るために,著者らは,全てのGaborパラメータが逆伝搬を通して訓練可能な完全訓練可能Gaborベース畳込み層を提案する。さらに,ピアソンの相関係数に基づく損失関数を提案し,それは学習速度に対して正確でロバストであり,手動の重み選択を必要としない。19の解剖学的構造による433D脳磁気共鳴映像に関する実験は,従来のとGaborベースのカーネルの適切な組合せで提案した損失関数を用いて,平均Dice係数83%を達成するために,1.6百万のパラメータだけのネットワークを訓練できることを示した。このサイズは,71百万のパラメータを持つ元のV-Netより44倍小さい。本論文では,3Dセグメンテーションのための深層学習における学習可能パラメトリックカーネルの使用の可能性を実証した。【JST・京大機械翻訳】