Zobrazeno 1 - 10
of 22
pro vyhledávání: '"Oner, Doruk"'
This paper introduces Idempotent Test-Time Training (IT$^3$), a novel approach to addressing the challenge of distribution shift. While supervised-learning methods assume matching train and test distributions, this is rarely the case for machine lear
Externí odkaz:
http://arxiv.org/abs/2410.04201
Autor:
Gwizdała, Jakub, Oner, Doruk, Roy, Soumava Kumar, Shah, Mian Akbar, Eberhard, Ad, Egorov, Ivan, Krüsi, Philipp, Yakushev, Grigory, Fua, Pascal
Power lines are dangerous for low-flying aircraft, especially in low-visibility conditions. Thus, a vision-based system able to analyze the aircraft's surroundings and to provide the pilots with a "second pair of eyes" can contribute to enhancing the
Externí odkaz:
http://arxiv.org/abs/2407.14352
Turning pass-through network architectures into iterative ones, which use their own output as input, is a well-known approach for boosting performance. In this paper, we argue that such architectures offer an additional benefit: The convergence rate
Externí odkaz:
http://arxiv.org/abs/2403.16732
Many biological and medical tasks require the delineation of 3D curvilinear structures such as blood vessels and neurites from image volumes. This is typically done using neural networks trained by minimizing voxel-wise loss functions that do not cap
Externí odkaz:
http://arxiv.org/abs/2207.06832
Publikováno v:
IEEE Transactions on Medical Imaging ( Volume: 41, Issue: 12, December 2022)
Deep learning-based approaches to delineating 3D structure depend on accurate annotations to train the networks. Yet, in practice, people, no matter how conscientious, have trouble precisely delineating in 3D and on a large scale, in part because the
Externí odkaz:
http://arxiv.org/abs/2112.02781
Persistent Homology (PH) has been successfully used to train networks to detect curvilinear structures and to improve the topological quality of their results. However, existing methods are very global and ignore the location of topological features.
Externí odkaz:
http://arxiv.org/abs/2110.06295
Autor:
Oner, Doruk, Koziński, Mateusz, Citraro, Leonardo, Dadap, Nathan C., Konings, Alexandra G., Fua, Pascal
We propose a novel, connectivity-oriented loss function for training deep convolutional networks to reconstruct network-like structures, like roads and irrigation canals, from aerial images. The main idea behind our loss is to express the connectivit
Externí odkaz:
http://arxiv.org/abs/2009.07011
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.