Core Concepts
因子化畳み込みにおける特異値の平坦化は、医用画像処理モデルの表現力を向上させる。
Abstract
医用画像処理における因子化畳み込みの重要性が強調されています。本研究では、SFConvアルゴリズムが提案され、特異値を平坦化することでモデルの表現力を向上させることが示されています。この手法は、低ランク行列を使用してモデルを縮小し、KLダイバージェンスに基づいて特異値方向の数を減らすことで複雑さを削減します。実験結果は、SFConvがバニラ畳み込みよりも競争力があることを示しています。
Stats
表1. 異なる手法の分類結果
方法
パラメータ数
FPS
FLOPs
正解率
Conv
11.22M
222.23
43.03G
0.8058
FConv [7]
2.78M
38.12
3.07G
0.7670
FConvSN [8]
0.40M
84.67
2.78G
0.7961
DPConv [18]
1.48M
204.27
105.11G
0.8155
SFConv w/o KL
0.27M
159.72
20.08G
0.7379
SFConv(ours)
0.27M
158,15
20,08G
0,8252
表2. 異なる手法のセグメンテーション結果
| 方法 パラメータ数 FPS FLOPs Dice |
|-|-|-|-|-|
│ Conv │17,29M│232,10│57,99G│0,7476│
│ FConv [7] │3,60M │73,30 │0,21G │0,6770│
│ FConvSN [8] │0,56M │76,22 │0,21G │7503│
│ DPConv [18] │2,03M │166,94 │7,22G │7738│
│ SFConv w/o KL │032M │15565 │308 G┃07327┃
│ SFConvo (ours) ┃032 M ┃15657 ┃308 G ┃07652┃
Quotes
"我々はSFConvが標準的な畳み込みと同等以上の性能を持ちつつ、モデル複雑性が低いことを示した"
"SFConvは大きな特異値を防ぎ、重量行列の均一性を促進し、医用画像処理モデルの駆動能力を高めます"
"KL正則化項によってパラメータ分布が広くなりました。これによりパフォーマンスが大幅に向上しました"