論文の概要: Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study

• arxiv url: http://arxiv.org/abs/2005.08629v1
• Date: Sun, 10 May 2020 21:27:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 01:38:29.143028
• Title: Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study
• Title（参考訳）: 表象学習におけるスーパービジョンとソースドメインの影響--病理組織学的研究
• Authors: Milad Sikaroudi, Amir Safarpoor, Benyamin Ghojogh, Sobhan Shafiei, Mark Crowley, H.R. Tizhoosh
• Abstract要約: 本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。 病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
• 参考スコア（独自算出の注目度）: 6.762603053858596
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As many algorithms depend on a suitable representation of data, learning unique features is considered a crucial task. Although supervised techniques using deep neural networks have boosted the performance of representation learning, the need for a large set of labeled data limits the application of such methods. As an example, high-quality delineations of regions of interest in the field of pathology is a tedious and time-consuming task due to the large image dimensions. In this work, we explored the performance of a deep neural network and triplet loss in the area of representation learning. We investigated the notion of similarity and dissimilarity in pathology whole-slide images and compared different setups from unsupervised and semi-supervised to supervised learning in our experiments. Additionally, different approaches were tested, applying few-shot learning on two publicly available pathology image datasets. We achieved high accuracy and generalization when the learned representations were applied to two different pathology datasets.
• Abstract（参考訳）: 多くのアルゴリズムが適切なデータ表現に依存しているため、ユニークな特徴の学習は重要な課題であると考えられている。 ディープニューラルネットワークを用いた教師あり技術は表現学習の性能を高めているが、ラベル付きデータの大規模なセットの必要性はそのような手法の適用を制限している。 例えば、病理学の分野における関心領域の高品質な記述は、大きな画像次元のために退屈で時間を要する作業である。 本研究では,深層ニューラルネットワークの性能と表現学習領域における三重項損失について検討した。 病理画像の類似性と相似性について検討し, 教師なし, 半教師なし, 教師付き学習との違いを比較した。 さらに、公開された2つの病理画像データセットに数ショットの学習を適用して、さまざまなアプローチがテストされた。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。

関連論文リスト

• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
  条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。 提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。 提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
  論文  参考訳（メタデータ） (2023-03-17T18:00:27Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Learning Representations with Contrastive Self-Supervised Learning for Histopathology Applications [8.69535649683089]
  コントラスト型自己教師型学習は,デジタル病理学におけるアノテーションの労力を減らしうることを示す。 本研究は,病理組織学応用のための自己教師あり学習の可能性を実現するための道を開くものである。
  論文  参考訳（メタデータ） (2021-12-10T16:08:57Z)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Federated Learning for Computational Pathology on Gigapixel Whole Slide Images [4.035591045544291]
  計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。 スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-09-21T21:56:08Z)
• Self-Path: Self-supervision for Classification of Pathology Images with Limited Annotations [4.713391888104896]
  病理画像における一般化可能な領域不変表現を学習するために,ラベルのないデータを活用する自己教師付きCNN手法を提案する。 病理画像における文脈的・多解像度・意味的特徴を活用する新しい領域固有のセルフスーパービジョンタスクを導入する。
  論文  参考訳（メタデータ） (2020-08-12T21:02:32Z)

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。