論文の概要: A Mobile App for Wound Localization using Deep Learning
- arxiv url: http://arxiv.org/abs/2009.07133v1
- Date: Tue, 15 Sep 2020 14:35:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 06:25:00.496392
- Title: A Mobile App for Wound Localization using Deep Learning
- Title（参考訳）: 深層学習を用いた創傷位置推定用モバイルアプリ
- Authors: D. M. Anisuzzaman (1), Yash Patel (1), Jeffrey Niezgoda (2), Sandeep
Gopalakrishnan (3), and Zeyun Yu (1,4) ((1) Department of Computer Science,
University of Wisconsin-Milwaukee, Milwaukee, WI, USA,(2) Advancing the
Zenith of Healthcare (AZH) Wound and Vascular Center, Milwaukee, WI, USA, (3)
College of Nursing, University of Wisconsin Milwaukee, Milwaukee, WI, USA,(4)
Department of Biomedical Engineering, University of Wisconsin-Milwaukee,
Milwaukee, WI, USA.)
- Abstract要約: 深部ニューラルネットワークを用いた2次元創傷画像と潰瘍画像からの自動創傷ローカライザを提案する。
創傷ローカライザは、YOLOv3モデルを使用して開発され、iOSモバイルアプリケーションに変換される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: We present an automated wound localizer from 2D wound and ulcer images by
using deep neural network, as the first step towards building an automated and
complete wound diagnostic system. The wound localizer has been developed by
using YOLOv3 model, which is then turned into an iOS mobile application. The
developed localizer can detect the wound and its surrounding tissues and
isolate the localized wounded region from images, which would be very helpful
for future processing such as wound segmentation and classification due to the
removal of unnecessary regions from wound images. For Mobile App development
with video processing, a lighter version of YOLOv3 named tiny-YOLOv3 has been
used. The model is trained and tested on our own image dataset in collaboration
with AZH Wound and Vascular Center, Milwaukee, Wisconsin. The YOLOv3 model is
compared with SSD model, showing that YOLOv3 gives a mAP value of 93.9%, which
is much better than the SSD model (86.4%). The robustness and reliability of
these models are also tested on a publicly available dataset named Medetec and
shows a very good performance as well.
- Abstract（参考訳）: 深層ニューラルネットワークを用いた2次元創傷・潰瘍画像からの創傷ローカライザーについて, 創傷診断システムの構築に向けた第一歩として紹介する。
創傷ローカライザは、YOLOv3モデルを使用して開発され、iOSモバイルアプリケーションに変換される。
本発明の開発したローカライザは、創傷とその周囲の組織を検出して、創傷領域を画像から分離することができるので、創傷領域の除去による創傷セグメント化や分類などの今後の処理に非常に有用である。
ビデオ処理を備えたモバイルアプリ開発では、小さなYOLOv3と呼ばれるYOLOv3の軽量バージョンが使用されている。
このモデルは、ウィスコンシン州ミルウォーキーのazh wound and vascular centerと共同で、私たちのイメージデータセットでトレーニングとテストを行っています。
YOLOv3モデルはSSDモデルと比較され、YOLOv3はmAP値が93.9%であることを示し、SSDモデル(86.4%)よりもはるかに優れている。
これらのモデルの堅牢性と信頼性も、medetecという公開データセット上でテストされ、非常に優れたパフォーマンスを示している。
関連論文リスト
- Pediatric Wrist Fracture Detection Using Feature Context Excitation Modules in X-ray Images [0.0]
この作業では4種類のFeature Contexts Excitation-YOLOv8モデルを導入し、それぞれ異なるFCEモジュールを組み込んだ。
GRAZPEDWRI-DXデータセットの実験結果から,提案したYOLOv8+GC-M3モデルにより,mAP@50値が65.78%から66.32%に向上することが示された。
提案した YOLOv8+SE-M3 モデルは,最大 mAP@50 値67.07% を実現し,SOTA 性能を上回った。
論文 参考訳（メタデータ） (2024-10-01T19:45:01Z) - Utilizing Machine Learning and 3D Neuroimaging to Predict Hearing Loss: A Comparative Analysis of Dimensionality Reduction and Regression Techniques [0.0]
我々は,脳の灰白質3次元画像における難聴閾値を予測するための機械学習アプローチについて検討した。
第1フェーズでは,3次元CNNモデルを用いて,遅延空間への高次元入力を低減した。
第2フェーズでは、このモデルを使用して、リッチな機能への入力を削減した。
論文 参考訳（メタデータ） (2024-04-30T18:39:41Z) - YOLOv9 for Fracture Detection in Pediatric Wrist Trauma X-ray Images [0.0]
本稿では, YOLOv9アルゴリズムモデルをコンピュータ支援診断(CAD)として骨折検出タスクに適用した最初の例である。
実験の結果、現在の最先端(SOTA)モデルのmAP 50-95と比較して、YOLOv9モデルは42.16%から43.73%に上昇し、3.7%の改善が見られた。
論文 参考訳（メタデータ） (2024-03-17T15:47:54Z) - Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。
我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文 参考訳（メタデータ） (2023-11-30T21:11:20Z) - Semi-supervised Learning from Street-View Images and OpenStreetMap for
Automatic Building Height Estimation [59.6553058160943]
本稿では,Mapillary SVIとOpenStreetMapのデータから建物の高さを自動的に推定する半教師付き学習(SSL)手法を提案する。
提案手法は, 平均絶対誤差(MAE)が約2.1mである建物の高さを推定する上で, 明らかな性能向上につながる。
予備結果は,低コストなVGIデータに基づく提案手法のスケールアップに向けた今後の取り組みを期待し,動機づけるものである。
論文 参考訳（メタデータ） (2023-07-05T18:16:30Z) - Wearing face mask detection using deep learning through COVID-19
pandemic [0.0]
本稿では,3つの最先端物体検出ニューラルネットワークによる顔マスク検出のリアルタイム応用の可能性について検討する。
異なるモデルの性能によると、現実世界やモバイルデバイスでの使用に適した最良のモデルは、YOLOv4-tinyモデルである。
論文 参考訳（メタデータ） (2023-04-28T19:39:32Z) - SSMTL++: Revisiting Self-Supervised Multi-Task Learning for Video
Anomaly Detection [108.57862846523858]
自己教師型マルチタスク学習フレームワークを再考し、元の手法にいくつかのアップデートを提案する。
マルチヘッド・セルフアテンション・モジュールを導入することで3次元畳み込みバックボーンを近代化する。
モデルをさらに改良するために,セグメントマップの予測などの自己指導型学習タスクについて検討した。
論文 参考訳（メタデータ） (2022-07-16T19:25:41Z) - A lightweight and accurate YOLO-like network for small target detection
in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。
YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。
YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文 参考訳（メタデータ） (2022-04-05T16:29:49Z) - Video-based Person Re-identification without Bells and Whistles [49.51670583977911]
ビデオベースの人物再識別(Re-ID)は、異なるカメラの下で歩行者を特定するために、ビデオトラッカーとトリミングされたビデオフレームをマッチングすることを目的としている。
従来の方法による不完全な検出と追跡の結果から, 収穫したトラックレットの空間的, 時間的不整合が生じている。
本稿では,深層学習に基づくトラックレットの検出と追跡を適用することで,これらの予期せぬノイズを効果的に低減できる簡易な再検出リンク(DL)モジュールを提案する。
論文 参考訳（メタデータ） (2021-05-22T10:17:38Z) - Automated Model Design and Benchmarking of 3D Deep Learning Models for
COVID-19 Detection with Chest CT Scans [72.04652116817238]
3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。
また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
論文 参考訳（メタデータ） (2021-01-14T03:45:01Z) - Classifying Malware Images with Convolutional Neural Network Models [2.363388546004777]
本稿では,静的マルウェア分類にいくつかの畳み込みニューラルネットワーク(CNN)モデルを用いる。
インセプションV3モデルは99.24%の精度を達成しており、現在の最先端システムによって達成される98.52%の精度よりも優れている。
論文 参考訳（メタデータ） (2020-10-30T07:39:30Z)
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。