論文の概要: Tensor Networks for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2004.10076v1
- Date: Tue, 21 Apr 2020 15:02:58 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-11 05:44:14.770787
- Title: Tensor Networks for Medical Image Classification
- Title（参考訳）: 医用画像分類のためのテンソルネットワーク
- Authors: Raghavendra Selvan and Erik B Dam
- Abstract要約: 我々は、量子多体システムを分析するために、過去20年間、物理学者のための仕事場であったネットワークのクラスに焦点を当てている。
医療画像解析に有用なマトリックス製品状態テンソルネットワークを拡張した。
テンソルネットワークは最先端のディープラーニング手法に匹敵する性能が得られることを示す。
- 参考スコア（独自算出の注目度）: 0.456877715768796
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the increasing adoption of machine learning tools like neural networks
across several domains, interesting connections and comparisons to concepts
from other domains are coming to light. In this work, we focus on the class of
Tensor Networks, which has been a work horse for physicists in the last two
decades to analyse quantum many-body systems. Building on the recent interest
in tensor networks for machine learning, we extend the Matrix Product State
tensor networks (which can be interpreted as linear classifiers operating in
exponentially high dimensional spaces) to be useful in medical image analysis
tasks. We focus on classification problems as a first step where we motivate
the use of tensor networks and propose adaptions for 2D images using classical
image domain concepts such as local orderlessness of images. With the proposed
locally orderless tensor network model (LoTeNet), we show that tensor networks
are capable of attaining performance that is comparable to state-of-the-art
deep learning methods. We evaluate the model on two publicly available medical
imaging datasets and show performance improvements with fewer model
hyperparameters and lesser computational resources compared to relevant
baseline methods.
- Abstract（参考訳）: 複数のドメインにまたがるニューラルネットワークのような機械学習ツールの普及に伴い、興味深い接続や、他のドメインの概念との比較が明らかになった。
この研究では、量子多体系を分析するために過去20年間、物理学者の作業馬として用いられてきたテンソルネットワークのクラスに焦点を当てている。
機械学習における近年のテンソルネットワークへの関心に基づいて,行列積状態テンソルネットワーク(指数関数的に高次元空間で動作する線形分類器として解釈できる)を拡張し,医用画像解析タスクに有用である。
テンソルネットワークの利用を動機づける第1ステップとして分類問題に着目し,画像の局所秩序性などの古典的画像領域の概念を用いた2次元画像への適応を提案する。
提案する局所無秩序テンソルネットワークモデル(lotenet)により,テンソルネットワークは最先端のディープラーニング手法に匹敵する性能を実現することができることを示した。
本研究では,2つの医用画像データセット上でのモデル評価を行い,モデルハイパーパラメータと計算資源の削減による性能改善を,関連するベースライン法と比較した。
関連論文リスト
- Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
本稿では,重み空間学習におけるSANEアプローチを紹介する。
ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
論文 参考訳（メタデータ） (2024-06-14T13:12:07Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Double-well Net for Image Segmentation [10.424879461404581]
ダブルウェルネット(Double-well Nets)として知られる画像セグメンテーションのための2つの新しいディープニューラルネットワークモデルを導入する。
Pottsモデルからインスピレーションを得た私たちのモデルは、ニューラルネットワークを活用して、領域の力関数を表現する。
本稿では,2重井戸網の性能を実証し,最先端のニューラルネットワークと比較して精度と堅牢性を示した。
論文 参考訳（メタデータ） (2023-12-31T11:16:12Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T11:25:35Z) - Patch-based medical image segmentation using Quantum Tensor Networks [1.5899411215927988]
テンソルネットワークを用いた教師付き設定で画像分割を定式化する。
鍵となるアイデアは、まず画像パッチのピクセルを指数関数的に高次元の特徴空間に引き上げることである。
提案モデルの性能を3つの2次元および1つの3次元バイオメディカルイメージングデータセットで評価した。
論文 参考訳（メタデータ） (2021-09-15T07:54:05Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳（メタデータ） (2021-03-31T08:15:17Z) - Segmenting two-dimensional structures with strided tensor networks [1.952097552284465]
教師付き画像分割のためのテンソルネットワークの新規な定式化を提案する。
提案モデルはバックプロパゲーションを用いてエンドツーエンドでトレーニング可能である。
評価の結果,ストレートテンソルネットワークはcnnモデルに比べて競争性が高いことがわかった。
論文 参考訳（メタデータ） (2021-02-13T11:06:34Z) - Tensor-Train Networks for Learning Predictive Modeling of
Multidimensional Data [0.0]
有望な戦略は、物理的および化学的用途で非常に成功したテンソルネットワークに基づいています。
本研究では, 多次元回帰モデルの重みをテンソルネットワークを用いて学習し, 強力なコンパクト表現を実現することを示した。
TT形式の重みを計算力の低減で近似するための最小二乗を交互に行うアルゴリズムが提案されている。
論文 参考訳（メタデータ） (2021-01-22T16:14:38Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Locally orderless tensor networks for classifying two- and
three-dimensional medical images [0.3867363075280544]
一次元ベクトル上で動作可能な行列積状態(MPS)テンソルネットワークを改善する。
我々は、小さな画像領域を秩序のないものとして扱い、空間情報を特徴次元に絞って、これらの局所秩序のない領域でMPS操作を行う。
LoTeNetのアーキテクチャはすべての実験で固定されており、比較した手法に比較して性能を得るためには、より少ない計算資源を必要とすることを示す。
論文 参考訳（メタデータ） (2020-09-25T15:05:02Z) - CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。
相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。
PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2020-03-24T04:55:43Z)
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。