論文の概要: MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation

• arxiv url: http://arxiv.org/abs/2004.09750v3
• Date: Sun, 21 Mar 2021 14:47:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 07:06:57.046794
• Title: MiniSeg: An Extremely Minimum Network for Efficient COVID-19 Segmentation
• Title（参考訳）: MiniSeg: 新型コロナウイルスの効果的なセグメンテーションのための最小限のネットワーク
• Authors: Yu Qiu and Yun Liu and Shijie Li and Jing Xu
• Abstract要約: MiniSegは、効率的な新型コロナウイルスセグメンテーションのための軽量なディープラーニングモデルである。 われわれは、MiniSegを従来の方法と比較するための包括的なCOVID-19セグメンテーションベンチマークを構築している。
• 参考スコア（独自算出の注目度）: 12.659555143941544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid spread of the new pandemic, i.e., COVID-19, has severely threatened global health. Deep-learning-based computer-aided screening, e.g., COVID-19 infected CT area segmentation, has attracted much attention. However, the publicly available COVID-19 training data are limited, easily causing overfitting for traditional deep learning methods that are usually data-hungry with millions of parameters. On the other hand, fast training/testing and low computational cost are also necessary for quick deployment and development of COVID-19 screening systems, but traditional deep learning methods are usually computationally intensive. To address the above problems, we propose MiniSeg, a lightweight deep learning model for efficient COVID-19 segmentation. Compared with traditional segmentation methods, MiniSeg has several significant strengths: i) it only has 83K parameters and is thus not easy to overfit; ii) it has high computational efficiency and is thus convenient for practical deployment; iii) it can be fast retrained by other users using their private COVID-19 data for further improving performance. In addition, we build a comprehensive COVID-19 segmentation benchmark for comparing MiniSeg to traditional methods.
• Abstract（参考訳）: 新型コロナウイルス(COVID-19)の感染拡大は世界的な健康を脅かしている。 ディープラーニングベースのコンピュータ支援スクリーニング(例えば、COVID-19感染したCT領域のセグメンテーション)が注目されている。 しかし、一般公開されている新型コロナウイルスのトレーニングデータは限られており、数百万のパラメータでデータ収集される従来のディープラーニング手法に簡単に適合する。 一方で、covid-19スクリーニングシステムの迅速な展開と開発には、高速なトレーニング/テストと低い計算コストが必要であるが、従来のディープラーニング手法は通常、計算集約的だ。 以上の課題に対処するため,我々は,効率的なCOVID-19セグメンテーションのための軽量ディープラーニングモデルであるMiniSegを提案する。 従来のセグメンテーション手法と比較して、MiniSegにはいくつかの大きな長所がある。 一 83Kパラメータしか持たず、したがって過度に適合し難い。 二 高い計算効率を有し、かつ、実用的な配備に有用であること。 三 自己のプライベートなCOVID-19データを用いて、さらなるパフォーマンス向上を図ることができる。 さらに、MiniSegを従来の方法と比較するための包括的なCOVID-19セグメンテーションベンチマークを構築しました。

関連論文リスト

• Robust COVID-19 Detection in CT Images with CLIP [21.809469794865887]
  深層学習モデルは、特に新型コロナウイルス検出において、医療画像の課題に直面している。 凍結したCLIP画像エンコーダとトレーニング可能な多層認識(MLP)を活用して,これらの障害を克服するための最初の軽量検出器を提案する。 教師と学生のフレームワークを統合して、大量のラベルのないデータに便乗し、本質的なデータ制限にもかかわらず、我々のモデルは優れたパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2024-03-13T20:26:50Z)
• An Ensemble Deep Learning Approach for COVID-19 Severity Prediction Using Chest CT Scans [8.512389316218943]
  胸部CTによる重症度予測について検討した。 我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
  論文  参考訳（メタデータ） (2023-05-17T10:43:15Z)
• Rapid Lung Ultrasound COVID-19 Severity Scoring with Resource-Efficient Deep Feature Extraction [0.11439420412899562]
  本研究は, 最短トレーニング時間で重症度を評価するための, 深部特徴抽出器として, 既訓練モデルの活用に焦点を当てる。 既存の手法を特徴抽出器として使用することにより,訓練時間を数分に抑えながら,新型コロナウイルス関連肺炎重症度を効果的に分類できることが実証された。
  論文  参考訳（メタデータ） (2022-07-22T10:32:30Z)
• When Accuracy Meets Privacy: Two-Stage Federated Transfer Learning Framework in Classification of Medical Images on Limited Data: A COVID-19 Case Study [77.34726150561087]
  新型コロナウイルスのパンデミックが急速に広がり、世界の医療資源が不足している。 CNNは医療画像の解析に広く利用され、検証されている。
  論文  参考訳（メタデータ） (2022-03-24T02:09:41Z)
• Efficient Few-Shot Object Detection via Knowledge Inheritance [62.36414544915032]
  Few-shot Object Detection (FSOD) は、未確認のタスクに少ないトレーニングサンプルで適応できるジェネリック検出器を学習することを目的としている。 計算量の増加を伴わない効率的なプレトレイン・トランスファー・フレームワーク(PTF)のベースラインを提案する。 また,予測された新しいウェイトと事前訓練されたベースウェイトとのベクトル長の不整合を軽減するために,適応長再スケーリング(ALR)戦略を提案する。
  論文  参考訳（メタデータ） (2022-03-23T06:24:31Z)
• CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
  本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。 我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
  論文  参考訳（メタデータ） (2021-10-29T18:41:15Z)
• Graph Sampling Based Deep Metric Learning for Generalizable Person Re-Identification [114.56752624945142]
  我々は、最も一般的なランダムサンプリング手法である有名なpkサンプリングは、深層メトリック学習にとって有益で効率的ではないと主張する。 大規模計量学習のためのグラフサンプリング(GS)と呼ばれる効率的なミニバッチサンプリング手法を提案する。
  論文  参考訳（メタデータ） (2021-04-04T06:44:15Z)
• COVID-19 detection from scarce chest x-ray image data using deep learning [0.0]
  現在の新型コロナウイルスのパンデミックでは、感染した患者を迅速かつ正確に検査する必要がある。 胸部x線画像で訓練されたディープラーニングモデルを使うことは、新型コロナウイルス患者のスクリーニングに効果的な方法となる。 少数の学習は、少ないデータ量で目的を学ぶことを目的とした機械学習のサブフィールドです。
  論文  参考訳（メタデータ） (2021-02-11T22:06:03Z)
• Taming GANs with Lookahead-Minmax [63.90038365274479]
  MNIST, SVHN, CIFAR-10, ImageNetによる実験結果から, Lookahead-minmaxとAdam, Exgradientの併用が明らかとなった。 30倍のパラメータと16倍のミニバッチを使用して、クラスラベルを使わずに12.19のFIDを得ることにより、CIFAR-10上でクラス依存のBigGANのパフォーマンスを上回ります。
  論文  参考訳（メタデータ） (2020-06-25T17:13:23Z)
• COVID-DA: Deep Domain Adaptation from Typical Pneumonia to COVID-19 [92.4955073477381]
  新型コロナウイルス感染症(COVID-19)の流行はすでに何百万人もの人々に感染しており、今でも世界中で急速に拡大している。 近年,ディープラーニングを効果的なコンピュータ支援手法として利用し,診断効率を向上している。 本稿では,新たな深部ドメイン適応手法,すなわちCOVID-DAを提案する。
  論文  参考訳（メタデータ） (2020-04-30T03:13:40Z)
• Towards Data-Efficient Learning: A Benchmark for COVID-19 CT Lung and Infection Segmentation [28.437504408773147]
  肺と感染症のセグメンテーションのための3つのベンチマークを構築した。 異なるセグメンテーション手法の公正な比較のために、標準的なトレーニング、検証とテストの分割、評価メトリクス、対応するコードも提供します。 平均Dice similarity Coefficient (DSC) スコアは97.3%, 97.7%, 67.3%, 平均正規化表面Dice (NSD) スコアは90.6%, 91.4%, 左肺, 右肺, 感染では70.0%であった。
  論文  参考訳（メタデータ） (2020-04-27T01:31:48Z)

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。