Deep Shape Regression for Planar Curves with Multimodal Covariates
面向多模态协变量的平面曲线深度形状回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦形状回归与深度协方差平滑方法，属于统计方法与神经影像应用，未涉及所给微观、宏观或金融计量细分领域的主题。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
面向多模态协变量的平面曲线深度形状回归
- 研究问题
- 研究如何在去除平移、旋转、缩放与重参数化后，对开放平面曲线的形状建立回归模型，并允许协变量是多模态、高维的（如标量与图像）。
- 方法与思路
- 作者将曲线表示为复值函数，摘要称条件全Procrustes均值等于条件协方差的主特征函数；为此提出带模态专属编码器的深度条件协方差平滑器，并给出迭代协方差平滑、旋转对齐与参数化对齐的弹性均值估计算法。
- 材料陈述的贡献
- 摘要称所提模型按构造对输入曲线的平移、旋转与缩放不变，可处理稀疏且不规则采样的曲线，并能容纳经典样条平滑器无法处理的多模态协变量；在模拟轮廓与ADNI海马轮廓数据上给出示例应用。
- 阅读关注点
- 应核对条件全Procrustes均值为主特征函数这一结论的假设与证明、深度协方差平滑器的识别与估计一致性、弹性均值算法的收敛性，以及模拟与ADNI应用的具体设定和结果。
- 阅读边界
- 仅依据摘要，无法判断估计量的理论性质、模型在真实数据上的因果解释力与泛化表现；摘要未说明样本量、超参数选择与不确定性量化方式。该文为arXiv预印本，未经同行评审，不能据此声称已被期刊接收。
原文摘要
The shape of a planar curve is the geometric information that remains once translation, rotation, scale and reparametrisation are removed and is of interest in many health applications, e.g. in neuroimaging. We propose a deep shape regression model for open planar curves that admits multimodal and high-dimensional covariates. Representing curves as complex-valued functions, we show that the conditional full Procrustes mean is the leading eigenfunction of the conditional covariance. To estimate this covariance surface, we propose a novel deep conditional covariance smoother with modality-specific encoders - e.g. splines for scalar covariates and convolutional networks for images, which classical spline smoothers cannot accommodate. Our model is by construction invariant to the translation, rotation and scaling of the input curves and handles sparsely and irregularly sampled curves. We further provide an algorithm for elastic mean estimation that also removes parametrisation by iterating covariance smoothing, rotational alignment and parametrisation alignment. We illustrate the method on simulated outlines with known conditional mean and multimodal covariates, and give a first application to hippocampal outlines from the ADNI cohort, recovering covariate effects consistent with the literature. Code is available at https://github.com/mpff/dnn-shapes.