論文の概要: FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation

• arxiv url: http://arxiv.org/abs/2003.04492v2
• Date: Fri, 14 Aug 2020 18:02:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 20:26:34.987726
• Title: FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation
• Title（参考訳）: FOAL: 心臓運動推定のための高速オンライン適応学習
• Authors: Hanchao Yu, Shanhui Sun, Haichao Yu, Xiao Chen, Honghui Shi, Thomas Huang, Terrence Chen
• Abstract要約: 心臓MRIビデオの運動推定は、ヒトの心臓解剖学と機能の評価に不可欠である。 近年の研究では、ディープラーニングベースの手法による有望な結果が示されているが、トレーニングとテストデータセットのミスマッチによる劇的なパフォーマンス低下に悩まされている。 本稿では,メタラーナーによって最適化されたオンライン勾配勾配勾配に基づく,新しい高速オンライン適応学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 20.642769236234848
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Motion estimation of cardiac MRI videos is crucial for the evaluation of human heart anatomy and function. Recent researches show promising results with deep learning-based methods. In clinical deployment, however, they suffer dramatic performance drops due to mismatched distributions between training and testing datasets, commonly encountered in the clinical environment. On the other hand, it is arguably impossible to collect all representative datasets and to train a universal tracker before deployment. In this context, we proposed a novel fast online adaptive learning (FOAL) framework: an online gradient descent based optimizer that is optimized by a meta-learner. The meta-learner enables the online optimizer to perform a fast and robust adaptation. We evaluated our method through extensive experiments on two public clinical datasets. The results showed the superior performance of FOAL in accuracy compared to the offline-trained tracking method. On average, the FOAL took only $0.4$ second per video for online optimization.
• Abstract（参考訳）: 心臓MRIビデオの運動推定は、ヒトの心臓解剖学と機能の評価に不可欠である。 近年の研究は深層学習による有望な結果を示している。 しかし,臨床展開では,臨床環境でよく見られるトレーニングデータセットとテストデータセットのミスマッチによるパフォーマンス低下が顕著である。 一方、すべての代表データセットを収集し、デプロイ前にユニバーサルトラッカーをトレーニングすることは、間違いなく不可能である。 そこで我々は,メタ学習者によって最適化されたオンライン勾配降下型オプティマイザであるfast online adaptive learning(foal)フレームワークを提案する。 meta-learnerは、オンラインオプティマイザが高速で堅牢な適応を可能にする。 本手法は2つの臨床データを用いた広範囲な実験により評価した。 その結果,オフライン学習追跡法に比べ,foalの精度は良好であった。 平均してFOALは、オンライン最適化のために1ビデオあたり0.4ドル秒しかかからなかった。

関連論文リスト

• FREE: Faster and Better Data-Free Meta-Learning [77.90126669914324]
  Data-Free Meta-Learning (DFML) は、トレーニング済みモデルのコレクションから、元のデータを必要としない知識を抽出することを目的としている。 i)事前訓練されたモデルからトレーニングタスクを迅速に回復するためのメタジェネレータ,(ii)新しい未知のタスクに一般化するためのメタラーナーを含む、より高速で優れたデータフリーなメタラーニングフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-05-02T03:43:19Z)
• Incorporating Test-Time Optimization into Training with Dual Networks for Human Mesh Recovery [35.138312681232264]
  本稿では,トレーニングタイムとテストタイムの目標を統一するデュアルネットワークアーキテクチャを提案する。 メタラーニングと双対ネットワークを併用した手法は、最先端の回帰ベースおよび最適化ベースのHMRアプローチより優れている。
  論文  参考訳（メタデータ） (2024-01-25T12:04:53Z)
• Applications of Sequential Learning for Medical Image Classification [0.13191970195165517]
  我々は,少量の医用画像データの連続的トレーニングのためのニューラルネットワークトレーニングフレームワークを開発した。 過度な適合、破滅的な忘れ、概念の漂流といった、逐次学習を妨げる問題に対処する。
  論文  参考訳（メタデータ） (2023-09-26T00:46:25Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Automatic Assessment of Functional Movement Screening Exercises with Deep Learning Architectures [0.0]
  理学療法の成功は運動運動の正常かつ正しいパフォーマンスに依存する。 この分野のこれまでのアプローチは、ディープラーニングの手法に頼らず、その潜在能力を十分に利用していない。
  論文  参考訳（メタデータ） (2022-10-03T20:00:01Z)
• Learn Fine-grained Adaptive Loss for Multiple Anatomical Landmark Detection in Medical Images [15.7026400415269]
  本稿ではランドマーク検出のための新しい学習学習フレームワークを提案する。 提案手法は汎用的であり,解剖学的ランドマーク検出の効率向上の可能性を示す。
  論文  参考訳（メタデータ） (2021-05-19T13:39:18Z)
• Faster Meta Update Strategy for Noise-Robust Deep Learning [62.08964100618873]
  我々は,メタグラデーションの最も高価なステップをより高速なレイヤワイズ近似に置き換えるために,新しいファMUS(Faster Meta Update Strategy)を導入する。 本手法は,同等あるいはさらに優れた一般化性能を維持しつつ,トレーニング時間の3分の2を節約できることを示す。
  論文  参考訳（メタデータ） (2021-04-30T16:19:07Z)
• One to Many: Adaptive Instrument Segmentation via Meta Learning and Dynamic Online Adaptation in Robotic Surgical Video [71.43912903508765]
  MDALは、ロボット支援手術における機器セグメンテーションのための動的オンライン適応学習スキームです。 ビデオ固有のメタ学習パラダイムを通じて、楽器の一般的な知識と高速適応能力を学ぶ。 2つのデータセットで他の最先端のメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-03-24T05:02:18Z)
• Motion Pyramid Networks for Accurate and Efficient Cardiac Motion Estimation [51.72616167073565]
  本研究では,心臓の運動推定を高精度かつ効率的に行うための,ディープラーニングに基づく新しいアプローチであるMotion Pyramid Networksを提案する。 我々は、複数の特徴表現から運動場のピラミッドを予測し、融合し、より洗練された運動場を生成する。 そこで我々は,新しい循環型教員教育戦略を用いて,推論をエンドツーエンドにし,トラッキング性能をさらに向上させる。
  論文  参考訳（メタデータ） (2020-06-28T21:03:19Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。