完全訓練可能GaborカーネルとPearson相関係数による3Dセグメンテーション【JST・京大機械翻訳】

Wong Ken C. L.; Moradi Mehdi

プレプリント

J-GLOBAL ID：202202220428305366 整理番号：22P0025881

完全訓練可能GaborカーネルとPearson相関係数による3Dセグメンテーション【JST・京大機械翻訳】

3D Segmentation with Fully Trainable Gabor Kernels and Pearson's Correlation Coefficient

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月10日プレプリントサーバーでの情報更新日： 2022年12月15日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

パターン認識 , 図形・画像処理一般

, , ,

前のページに戻る