論文の概要: DECAPS: Detail-Oriented Capsule Networks
- arxiv url: http://arxiv.org/abs/2007.05343v1
- Date: Thu, 9 Jul 2020 01:48:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 05:03:08.090712
- Title: DECAPS: Detail-Oriented Capsule Networks
- Title（参考訳）: DECAPS: 詳細指向のカプセルネットワーク
- Authors: Aryan Mobiny, Pengyu Yuan, Pietro Antonio Cicalese, Hien Van Nguyen
- Abstract要約: 本稿では,CapsNetsの強度といくつかの新しい手法を組み合わせたDetail-Oriented Capsule Network(DECAPS)を提案する。
第一に、DECAPSは逆動的ルーティング(Inverted Dynamic Routing、IDR)機構を使用して、低レベルのカプセルを高レベルのカプセルに送る前に頭部にグループ化する。
第2に、DECAPSはPeekabooトレーニング手順を採用しており、第2レベルのアテンションスキームを通じて詳細な情報に集中するようネットワークに促している。
- 参考スコア（独自算出の注目度）: 7.683855133775243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Capsule Networks (CapsNets) have demonstrated to be a promising alternative
to Convolutional Neural Networks (CNNs). However, they often fall short of
state-of-the-art accuracies on large-scale high-dimensional datasets. We
propose a Detail-Oriented Capsule Network (DECAPS) that combines the strength
of CapsNets with several novel techniques to boost its classification
accuracies. First, DECAPS uses an Inverted Dynamic Routing (IDR) mechanism to
group lower-level capsules into heads before sending them to higher-level
capsules. This strategy enables capsules to selectively attend to small but
informative details within the data which may be lost during pooling operations
in CNNs. Second, DECAPS employs a Peekaboo training procedure, which encourages
the network to focus on fine-grained information through a second-level
attention scheme. Finally, the distillation process improves the robustness of
DECAPS by averaging over the original and attended image region predictions. We
provide extensive experiments on the CheXpert and RSNA Pneumonia datasets to
validate the effectiveness of DECAPS. Our networks achieve state-of-the-art
accuracies not only in classification (increasing the average area under ROC
curves from 87.24% to 92.82% on the CheXpert dataset) but also in the
weakly-supervised localization of diseased areas (increasing average precision
from 41.7% to 80% for the RSNA Pneumonia detection dataset).
- Abstract（参考訳）: Capsule Networks(CapsNets)は、CNN(Convolutional Neural Networks)に代わる有望な選択肢であることを実証している。
しかし、それらはしばしば大規模高次元データセットの最先端の精度に欠ける。
本稿では,CapsNetsの強度といくつかの新しい手法を組み合わせたDetail-Oriented Capsule Network(DECAPS)を提案する。
第一に、DECAPSは逆動的ルーティング(Inverted Dynamic Routing、IDR)機構を使用して、低レベルのカプセルを高レベルのカプセルに送る前に頭部にグループ化する。
この戦略により、カプセルはcnnのプール操作中に失われる可能性のあるデータの中で、小さくて有意義な詳細に選択的に対処できる。
第2に、DECAPSはPeekabooトレーニング手順を採用しており、第2レベルのアテンションスキームを通じて詳細な情報に集中するようネットワークに促している。
最後に、蒸留工程は、原画像及び随伴画像領域予測を平均化することにより、脱キャップのロバスト性を向上させる。
DECAPSの有効性を検証するため,CheXpertおよびRSNA肺炎データセットについて広範な実験を行った。
我々のネットワークは、分類(ROC曲線の平均面積を87.24%から92.82%に増加させる)だけでなく、疾患領域の弱い監督された局在化(RSNA肺炎検出データセットの平均精度を41.7%から80%に向上させる)において、最先端の精度を達成する。
関連論文リスト
- Hierarchical Object-Centric Learning with Capsule Networks [0.0]
畳み込みニューラルネットワークの制限に対処するために、カプセルネットワーク(CapsNets)が導入された。
この論文はCapsNetsの興味深い側面を調査し、その潜在能力を解き放つための3つの重要な疑問に焦点を当てている。
論文 参考訳（メタデータ） (2024-05-30T09:10:33Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point
Clouds [51.47100091540298]
本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。
CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
論文 参考訳（メタデータ） (2021-08-31T23:27:33Z) - Deformable Capsules for Object Detection [3.702343116848637]
我々は,コンピュータビジョンにおいて重要な問題である物体検出に対処するために,新しいカプセルネットワーク,変形可能なカプセル(textitDeformCaps)を導入した。
提案手法は,本論文において,オブジェクト検出のためのカプセルネットワークを構築するために,効率よくスケールアップできることを実証する。
論文 参考訳（メタデータ） (2021-04-11T15:36:30Z) - CT-CAPS: Feature Extraction-based Automated Framework for COVID-19
Disease Identification from Chest CT Scans using Capsule Networks [33.773060540360625]
新型コロナウイルス(COVID-19)の世界的な流行は世界に大きな影響を与えており、第二次世界大戦以来最も困難な危機の1つとなっている。
新型コロナウイルス感染者の早期診断と隔離は、感染拡大を予防し、流行曲線をフラット化するための重要な手段と考えられている。
最近では、主に畳み込みニューラルネットワーク(CNN)に基づくディープラーニングベースのモデルが、有望な診断結果を示している。
本稿では,CT-CAPS(CT-CAPS)と呼ばれるCapsule Networkフレームワークを用いて,胸部CTスキャンの特徴を自動抽出する手法を提案する。
論文 参考訳（メタデータ） (2020-10-30T03:35:29Z) - RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2
Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています
The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文 参考訳（メタデータ） (2020-10-15T03:09:08Z) - CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors
and Efficient Neural Networks [51.589769497681175]
新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。
SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。
我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
論文 参考訳（メタデータ） (2020-07-20T21:47:28Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - Radiologist-Level COVID-19 Detection Using CT Scans with Detail-Oriented
Capsule Networks [6.435530400792993]
我々はDetail-Oriented Capsule Networks (DECAPS) を提案する。
我々のネットワークは、分類精度を高めるためのいくつかのアーキテクチャの改善とCapsule Networksの強みを組み合わせる。
ROC曲線では,84.3%の精度,91.5%のリコール,96.1%の領域が達成され,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-04-16T00:48:32Z) - Subspace Capsule Network [85.69796543499021]
SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。
SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
論文 参考訳（メタデータ） (2020-02-07T17:51:56Z) - No Routing Needed Between Capsules [0.0]
均一ベクトルカプセル (HVC) は行列乗法ではなく要素ワイズ乗法を用いる。
HVCを用いた単純な畳み込みニューラルネットワークは,MNIST上でこれまでで最高のカプセルネットワークであることを示す。
論文 参考訳（メタデータ） (2020-01-24T18:37:41Z)
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。