論文の概要: SynCGAN: Using learnable class specific priors to generate synthetic
data for improving classifier performance on cytological images
- arxiv url: http://arxiv.org/abs/2003.05712v1
- Date: Thu, 12 Mar 2020 11:23:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 15:07:02.097152
- Title: SynCGAN: Using learnable class specific priors to generate synthetic
data for improving classifier performance on cytological images
- Title(参考訳): syncgan: learnable class specific priorsを使って合成データを生成し、サイトロジカル画像の分類性能を向上させる
- Authors: Soumyajyoti Dey, Soham Das, Swarnendu Ghosh, Shyamali Mitra, Sukanta
Chakrabarty and Nibaran Das
- Abstract要約: 注記画像に対するパスリアリスティックなサンプル生成のための条件付きGANを提案する。
我々は,提案したSynCGANを用いたデータ拡張により,ResNet-152,DenseNet-161,Inception-V3などの美術分類器の性能が大幅に向上することを示した。
- 参考スコア(独自算出の注目度): 3.0245533608670865
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: One of the most challenging aspects of medical image analysis is the lack of
a high quantity of annotated data. This makes it difficult for deep learning
algorithms to perform well due to a lack of variations in the input space.
While generative adversarial networks have shown promise in the field of
synthetic data generation, but without a carefully designed prior the
generation procedure can not be performed well. In the proposed approach we
have demonstrated the use of automatically generated segmentation masks as
learnable class-specific priors to guide a conditional GAN for the generation
of patho-realistic samples for cytology image. We have observed that
augmentation of data using the proposed pipeline called "SynCGAN" improves the
performance of state of the art classifiers such as ResNet-152, DenseNet-161,
Inception-V3 significantly.
- Abstract(参考訳): 医用画像解析の最も難しい側面の1つは、大量の注釈付きデータがないことである。
これにより、入力空間のバリエーションが不足しているため、ディープラーニングアルゴリズムの動作が困難になる。
生成的敵ネットワークは、合成データ生成の分野では期待できるが、慎重に設計されていない場合、生成手順はうまく機能しない。
提案手法では, 自動生成セグメンテーションマスクを学習可能なクラス特異的プリエントとして使用し, 細胞診画像のパスリアリスティックなサンプル生成のための条件付きGANを誘導する。
我々は,提案したSynCGANを用いたデータ拡張により,ResNet-152,DenseNet-161,Inception-V3などの美術分類器の性能が大幅に向上することを示した。
関連論文リスト
- UAV-Sim: NeRF-based Synthetic Data Generation for UAV-based Perception [62.71374902455154]
ニューラルレンダリングの最近の進歩を利用して、静的および動的ノベルビューUAVベースの画像レンダリングを改善する。
本研究では,主に実データと合成データのハイブリッドセットに基づいて最先端検出モデルが最適化された場合,性能が大幅に向上することを示す。
論文 参考訳(メタデータ) (2023-10-25T00:20:37Z) - Synthetic optical coherence tomography angiographs for detailed retinal
vessel segmentation without human annotations [12.571349114534597]
本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。
本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
論文 参考訳(メタデータ) (2023-06-19T14:01:47Z) - Synthetic data, real errors: how (not) to publish and use synthetic data [86.65594304109567]
生成過程が下流MLタスクにどのように影響するかを示す。
本稿では、生成プロセスモデルパラメータの後方分布を近似するために、Deep Generative Ensemble (DGE)を導入する。
論文 参考訳(メタデータ) (2023-05-16T07:30:29Z) - Generative Adversarial Networks for anonymous Acneic face dataset
generation [0.0]
3段階の重篤度に対応するアクネ障害の属性を持つヒトの顔の匿名合成データセットを生成する。
CNNに基づく分類システムは、生成された合成アキニーック顔画像を用いて訓練され、認証顔画像を用いてテストされる。
InceptionResNetv2を用いて97,6%の精度が得られることを示す。
論文 参考訳(メタデータ) (2022-11-08T12:59:41Z) - Is synthetic data from generative models ready for image recognition? [69.42645602062024]
本研究では,最新のテキスト・画像生成モデルから生成した合成画像が,画像認識タスクにどのように利用できるかを検討した。
本稿では,既存の生成モデルからの合成データの強大さと欠点を示し,認識タスクに合成データを適用するための戦略を提案する。
論文 参考訳(メタデータ) (2022-10-14T06:54:24Z) - GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot
Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。
生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。
本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文 参考訳(メタデータ) (2022-07-05T04:04:37Z) - Improved Speech Emotion Recognition using Transfer Learning and
Spectrogram Augmentation [56.264157127549446]
音声感情認識(SER)は、人間とコンピュータの相互作用において重要な役割を果たす課題である。
SERの主な課題の1つは、データの不足である。
本稿では,スペクトログラム拡張と併用した移動学習戦略を提案する。
論文 参考訳(メタデータ) (2021-08-05T10:39:39Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳(メタデータ) (2021-04-22T11:18:17Z) - Improving Augmentation and Evaluation Schemes for Semantic Image
Synthesis [16.097324852253912]
本稿では,GAN(Generative Adversarial Network)に特化して設計された新しい拡張方式を提案する。
本稿では,ジェネレータへの入力として使用するセマンティックラベルマップのオブジェクト形状をランダムにワープする。
ワープされたラベルマップと非ワープされたラベルマップと画像の間の局所的な形状の相違により、GANはシーンの構造的および幾何学的詳細をよりよく学習することができる。
論文 参考訳(メタデータ) (2020-11-25T10:55:26Z) - Generalized Zero-Shot Learning via VAE-Conditioned Generative Flow [83.27681781274406]
一般化されたゼロショット学習は、意味的記述から視覚的表現へ知識を移すことによって、目に見えないクラスと見えないクラスの両方を認識することを目的としている。
近年のGZSLはデータ不足問題として定式化されており、主にGANやVAEを採用して、目に見えないクラスの視覚的特徴を生成する。
GZSLのための条件付き生成フロー,すなわちVAE-Conditioned Generative Flow (VAE-cFlow)を提案する。
論文 参考訳(メタデータ) (2020-09-01T09:12:31Z) - Realistic Adversarial Data Augmentation for MR Image Segmentation [17.951034264146138]
医用画像セグメンテーションのためのニューラルネットワークのトレーニングのための逆データ拡張手法を提案する。
このモデルでは,MR画像における共通の種類のアーチファクトによって生じる強度不均一性,すなわちバイアス場をモデル化する。
このような手法により,モデルの一般化と堅牢性の向上が図られ,低データシナリオにおける大幅な改善が期待できる。
論文 参考訳(メタデータ) (2020-06-23T20:43:18Z)
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。