論文の概要: Studying The Effect of MIL Pooling Filters on MIL Tasks
- arxiv url: http://arxiv.org/abs/2006.01561v1
- Date: Tue, 2 Jun 2020 12:33:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 23:45:39.682863
- Title: Studying The Effect of MIL Pooling Filters on MIL Tasks
- Title（参考訳）: MILタスクに対するMILプーリングフィルタの効果の検討
- Authors: Mustafa Umit Oner, Jared Marc Song Kye-Jet, Hwee Kuan Lee, Wing-Kin
Sung
- Abstract要約: 我々は5つの異なるMILプーリングフィルタを備えたニューラルネットワークベースのMILフレームワークを設計した。
我々は、タスクにおけるフレームワークのパフォーマンスが、異なるフィルタに対して異なることを発見した。
我々は,この現象を分布に基づくプールフィルタで捉えた情報量とみなす。
- 参考スコア（独自算出の注目度）: 7.264378254137811
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There are different multiple instance learning (MIL) pooling filters used in
MIL models. In this paper, we study the effect of different MIL pooling filters
on the performance of MIL models in real world MIL tasks. We designed a neural
network based MIL framework with 5 different MIL pooling filters: `max',
`mean', `attention', `distribution' and `distribution with attention'. We also
formulated 5 different MIL tasks on a real world lymph node metastases dataset.
We found that the performance of our framework in a task is different for
different filters. We also observed that the performances of the five pooling
filters are also different from task to task. Hence, the selection of a correct
MIL pooling filter for each MIL task is crucial for better performance.
Furthermore, we noticed that models with `distribution' and `distribution with
attention' pooling filters consistently perform well in almost all of the
tasks. We attribute this phenomena to the amount of information captured by
`distribution' based pooling filters. While point estimate based pooling
filters, like `max' and `mean', produce point estimates of distributions,
`distribution' based pooling filters capture the full information in
distributions. Lastly, we compared the performance of our neural network model
with `distribution' pooling filter with the performance of the best MIL methods
in the literature on classical MIL datasets and our model outperformed the
others.
- Abstract（参考訳）: MILモデルで使用される複数のインスタンス学習(MIL)プールフィルタがある。
本稿では,実世界のMILタスクにおいて,異なるMILプールフィルタがMILモデルの性能に与える影響について検討する。
我々は、ニューラルネットワークベースのMILフレームワークを設計し、5種類のMILプールフィルタ(max', `mean', `attention', `distribution', `distribution with attention')を設計した。
また,実世界のリンパ節転移データセット上で5種類のMILタスクを定式化した。
タスクにおけるフレームワークのパフォーマンスは、異なるフィルタに対して異なることがわかった。
また,5つのプールフィルタの性能がタスクごとに異なることも確認した。
したがって、各MILタスクに対する適切なMILプーリングフィルタの選択は、パフォーマンス向上に不可欠である。
さらに,ほぼすべてのタスクにおいて,'distribution' と 'distribution with attention' のプールフィルタが常に良好に機能していることに気付いた。
我々は,この現象を,'distribution'ベースのプールフィルタで捉えた情報量とみなす。
点推定に基づくプールフィルタ、例えば `max' や `mean' は分布の点推定を生成するが、 'distribution' ベースのプールフィルタは分布の全情報をキャプチャする。
最後に、従来のMILデータセットの文献における最高のMIL手法の性能と、ニューラルネットワークモデルの性能を'分散'プールフィルタと比較した。
関連論文リスト
- Hyperbolic Secant representation of the logistic function: Application to probabilistic Multiple Instance Learning for CT intracranial hemorrhage detection [0.0]
マルチ・インスタンス・ラーニング (MIL) は、様々な科学分野にうまく適用された弱い教師付きパラダイムである。
本稿では,Hyperbolic Secant以外の分布を単純に活用することで,異なる形状のGPベースのMIL法を提案する。
これは、合成MILデータセット1つ、よく知られたMILベンチマーク2つ、現実世界の医療問題を含む総合的な実験で検証されている。
論文 参考訳（メタデータ） (2024-03-21T20:43:34Z) - Feature Re-Embedding: Towards Foundation Model-Level Performance in Computational Pathology [11.840041304518516]
マルチプル・インスタンス・ラーニング(MIL)は、計算病理学において最も広く使われているフレームワークである。
既存のMILパラダイムは、通常、トレーニング済みのResNetやファンデーションモデルのようなオフラインのインスタンス機能抽出器を必要とする。
本稿では,インスタンス機能を再埋め込みするR$2$T(Re-embedded Regional Transformer)を提案する。
論文 参考訳（メタデータ） (2024-02-27T05:42:38Z) - Filter Pruning for Efficient CNNs via Knowledge-driven Differential
Filter Sampler [103.97487121678276]
フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。
本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
論文 参考訳（メタデータ） (2023-07-01T02:28:41Z) - Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。
本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。
位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文 参考訳（メタデータ） (2022-06-22T07:00:39Z) - Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。
CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文 参考訳（メタデータ） (2021-12-02T12:04:59Z) - Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。
本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。
ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
論文 参考訳（メタデータ） (2021-09-20T06:07:14Z) - Dual-stream Multiple Instance Learning Network for Whole Slide Image
Classification with Self-supervised Contrastive Learning [16.84711797934138]
スライド画像全体分類(WSI)の課題に対処する。
WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。
局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T20:51:15Z) - Data Agnostic Filter Gating for Efficient Deep Networks [72.4615632234314]
現在のフィルタプルーニング法は主に特徴写像を利用してフィルタの重要なスコアを生成し、より小さなスコアのプルーンを生成する。
本稿では,Daggerモジュールと呼ばれる補助的ネットワークを用いてプルーニングを誘導するデータフィルタプルーニング手法を提案する。
さらに,特定のFLOP制約でプルーネフィルタを支援するために,明示的なFLOPを意識した正規化を活用して,プルーニングフィルタを直接対象のFLOPに向けて推進する。
論文 参考訳（メタデータ） (2020-10-28T15:26:40Z) - Online Multi-Object Tracking and Segmentation with GMPHD Filter and
Mask-based Affinity Fusion [79.87371506464454]
本稿では,インスタンス分割結果を入力として利用するMOTS法を提案する。
提案手法は,ガウス混合確率仮説密度 (GMPHD) フィルタ,階層型データアソシエーション (HDA) モデル,マスクベース親和性融合 (MAF) モデルに基づく。
2つの人気のあるMOTSデータセットの実験では、主要なモジュールがいくつかの改善点を示している。
論文 参考訳（メタデータ） (2020-08-31T21:06:22Z) - Dual-stream Maximum Self-attention Multi-instance Learning [11.685285490589981]
MIL(Multi-Instance Learning)は、インスタンスレベルのラベルが利用できない間に単一のクラスラベルがインスタンスのバッグに割り当てられる弱い教師付き学習の一種である。
ニューラルネットワークによりパラメータ化されたDSMILモデル(Dual-stream maximum self-attention MIL model)を提案する。
提案手法は,最高のMIL手法と比較して優れた性能を示し,ベンチマークMILデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2020-06-09T22:44:58Z) - Filter Grafting for Deep Neural Networks [71.39169475500324]
ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト
我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。
例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
論文 参考訳（メタデータ） (2020-01-15T03:18:57Z)
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。