Learning Topological Representations for Deep Image Understanding

要約

多くのシナリオ、特に生物医学応用では、ニューロン、組織、血管などの複雑で細かいスケールの構造を正確に描写することが、下流の分析にとって重要です。
ディープラーニング手法の強力な予測能力にもかかわらず、これらの構造を満足に表現できるわけではないため、スケーラブルなアノテーションや下流の分析に大きな障壁が生じています。
この論文では、深層学習フレームワークにおけるこれらの位相構造の新しい表現を提案することで、そのような課題に取り組みます。
私たちは、トポロジカル データ分析の数学的ツール、つまり永続的相同性と離散モールス理論を活用して、より優れたセグメンテーションと不確実性推定のための原理に基づいた方法を開発します。これは、スケーラブルなアノテーションのための強力なツールになります。

要約(オリジナル)

In many scenarios, especially biomedical applications, the correct delineation of complex fine-scaled structures such as neurons, tissues, and vessels is critical for downstream analysis. Despite the strong predictive power of deep learning methods, they do not provide a satisfactory representation of these structures, thus creating significant barriers in scalable annotation and downstream analysis. In this dissertation, we tackle such challenges by proposing novel representations of these topological structures in a deep learning framework. We leverage the mathematical tools from topological data analysis, i.e., persistent homology and discrete Morse theory, to develop principled methods for better segmentation and uncertainty estimation, which will become powerful tools for scalable annotation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google