Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
Pyramid-Based Fully Convolutional Networks for ...
Search
Masanori YANO
October 11, 2019
Science
0
490
Pyramid-Based Fully Convolutional Networks for Cell Segmentation
論文LT会で作成した「Pyramid-Based Fully Convolutional Networks for Cell Segmentation」の説明資料です。
Masanori YANO
October 11, 2019
Tweet
Share
More Decks by Masanori YANO
See All by Masanori YANO
Novelty Detection Via Blurring
msnr
0
450
Y-Net: Joint Segmentation and Classification for Diagnosis of Breast Biopsy Images
msnr
0
520
Free-Form Image Inpainting with Gated Convolution
msnr
0
920
Memorizing Normality to Detect Anomaly: Memory-augmented Deep Autoencoder for Unsupervised Anomaly Detection
msnr
0
600
Move Evaluation in Go Using Deep Convolutional Neural Networks
msnr
1
790
AlphaX: eXploring Neural Architectures with Deep Neural Networks and Monte Carlo Tree Search
msnr
0
1.1k
Towards Understanding Chinese Checkers with Heuristics, Monte Carlo Tree Search, and Deep Reinforcement Learning
msnr
0
440
SRCNN: Image Super Resolution Using CNN
msnr
0
560
One-Class Convolutional Neural Network
msnr
0
1.2k
Other Decks in Science
See All in Science
Spectral Sparsification of Hypergraphs
tasusu
0
170
最適化超入門
tkm2261
14
3.3k
Machine Learning for Materials (Lecture 7)
aronwalsh
0
820
Sarcoptic Mange
uni_of_nomi
1
110
Celebrate UTIG: Staff and Student Awards 2024
utig
0
460
マテリアルズ・インフォマティクスの先端で起きていること / What's Happening at the Cutting Edge of Materials Informatics
snhryt
1
130
Презентация программы бакалавриата СПбГУ "Искусственный интеллект и наука о данных"
dscs
0
720
Direct Preference Optimization
zchenry
0
280
化学におけるAI・シミュレーション活用のトレンドと 汎用原子レベルシミュレーター: Matlantisを使った素材開発
matlantis
0
260
白金鉱業Meetup Vol.15 DMLによる条件付処置効果の推定_sotaroIZUMI_20240919
brainpadpr
1
490
As We May Interact: Challenges and Opportunities for Next-Generation Human-Information Interaction
signer
PRO
0
160
『データ可視化学入門』を PythonからRに翻訳した話
bob3bob3
1
500
Featured
See All Featured
Ruby is Unlike a Banana
tanoku
97
11k
Building Applications with DynamoDB
mza
90
6.1k
The MySQL Ecosystem @ GitHub 2015
samlambert
250
12k
Designing for humans not robots
tammielis
250
25k
Keith and Marios Guide to Fast Websites
keithpitt
409
22k
Rebuilding a faster, lazier Slack
samanthasiow
79
8.7k
Faster Mobile Websites
deanohume
305
30k
Code Review Best Practice
trishagee
64
17k
Writing Fast Ruby
sferik
627
61k
Speed Design
sergeychernyshev
25
620
JavaScript: Past, Present, and Future - NDC Porto 2020
reverentgeek
47
5k
[Rails World 2023 - Day 1 Closing Keynote] - The Magic of Rails
eileencodes
33
1.9k
Transcript
画像処理&機械学習 論文LT会 #番外編 ~MICCAI 2019 予習編~ Pyramid-Based Fully Convolutional Networks
for Cell Segmentation 2019年10月11日(金) 矢農 正紀 (Masanori YANO)
論文 2 標題: Pyramid-Based Fully Convolutional Networks for Cell Segmentation
論文のURL: http://web.mst.edu/~yinz/Papers/ ⇒ MICCAI 2018の、細胞のSegmentationに関する論文 著者の所属は、アメリカのミズーリ工科大学 (Second Authorは、今秋からニューヨーク州立大学) 選んだ理由 ・MICCAI 2018の一覧で、題名を見た瞬間に気になった ⇒ Semantic Segmentationを解くCNNで、ピラミッド? ・Experimentsを見たら、比較対象に対し、わりと高い精度
Semantic Segmentationとは 3 入力画像に対して、画素レベルで何の物体か推論 参考になる資料 ⇒ #1の論文LT会の「semantic segmentation サーベイ」 https://www.slideshare.net/yoheiokawa/semantic-segmentation-141471958
引用元: https://arxiv.org/pdf/1411.4038.pdf FCNのFigure 1.
FCNとU-Net 4 FCN(Fully Convolutional Network) ・全結合を使用しないことで、任意サイズの入力画像に対応 ・前ページの図には記載がないが、スキップ接続(Add)あり U-Net ・MICCAI 2015で発表
・全結合なし、スキップ接続(Concatenate)あり 引用元: https://arxiv.org/pdf/1505.04597.pdf
Object Detection(物体検出)では 5 FPN(Feature Pyramid Network)の図が明快 (a) 複数の解像度を畳み込み各々の特徴マップを作ると遅い (b) 畳み込んだ最後の特徴マップだけでは解像度が粗い
(c) 複数の特徴マップを利用すると下の方の特徴が弱い (d) FPNの構造なら(b)や(c)のように速く、より正確 引用元: https://arxiv.org/pdf/1612.03144.pdf
本論文の提案手法 6 複数のFCNの推論結果を組み合わせて出力 ・それぞれのFCNは、異なる解像度の推論を担当 ・図の「+」は、重み付き平均(評価時の設定はα = 0.5) ・LAPGANの論文を引用 (Gaussian PyramidとLaplacian
Pyramidの定義で) はピラミッドの深さ
評価結果・まとめ 7 PHCと、独自データセットのPhase100で評価 所感 ・シンプルなアプローチで、かつ高い精度に見えて好印象 ・そのかわり、実行速度は厳しそう(論文では言及なし)