論文の概要: Fast Mesh Data Augmentation via Chebyshev Polynomial of Spectral filtering

• arxiv url: http://arxiv.org/abs/2010.02811v1
• Date: Tue, 6 Oct 2020 15:18:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:40:36.260759
• Title: Fast Mesh Data Augmentation via Chebyshev Polynomial of Spectral filtering
• Title（参考訳）: スペクトルフィルタリングのチェビシェフ多項式による高速メッシュデータ拡張
• Authors: Shih-Gu Huang, Moo K. Chung, Anqi Qiu, and Alzheimer's Disease Neuroimaging Initiative
• Abstract要約: ディープニューラルネットワークは、コンピュータビジョンと医療画像解析における強力な学習手法の1つとして認識されている。 実際には、利用可能なトレーニングデータが不十分な場合が多く、データセットを拡張するために拡張が使用される。 本研究では,LB-eigDA(Laplace-Beltrami eigenfunction Data Augmentation)とChebyshev Data Augmentation(C-pDA)の2つの非バイアス拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 5.594792814661452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks have recently been recognized as one of the powerful learning techniques in computer vision and medical image analysis. Trained deep neural networks need to be generalizable to new data that was not seen before. In practice, there is often insufficient training data available and augmentation is used to expand the dataset. Even though graph convolutional neural network (graph-CNN) has been widely used in deep learning, there is a lack of augmentation methods to generate data on graphs or surfaces. This study proposes two unbiased augmentation methods, Laplace-Beltrami eigenfunction Data Augmentation (LB-eigDA) and Chebyshev polynomial Data Augmentation (C-pDA), to generate new data on surfaces, whose mean is the same as that of real data. LB-eigDA augments data via the resampling of the LB coefficients. In parallel with LB-eigDA, we introduce a fast augmentation approach, C-pDA, that employs a polynomial approximation of LB spectral filters on surfaces. We design LB spectral bandpass filters by Chebyshev polynomial approximation and resample signals filtered via these filters to generate new data on surfaces. We first validate LB-eigDA and C-pDA via simulated data and demonstrate their use for improving classification accuracy. We then employ the brain images of Alzheimer's Disease Neuroimaging Initiative (ADNI) and extract cortical thickness that is represented on the cortical surface to illustrate the use of the two augmentation methods. We demonstrate that augmented cortical thickness has a similar pattern to real data. Second, we show that C-pDA is much faster than LB-eigDA. Last, we show that C-pDA can improve the AD classification accuracy of graph-CNN.
• Abstract（参考訳）: ディープニューラルネットワークは、コンピュータビジョンと医用画像解析における強力な学習技術の1つとして認識されている。 トレーニングされたディープニューラルネットワークは、これまで見たことのない新しいデータに一般化する必要がある。 実際には、利用可能なトレーニングデータが少なく、データセットを拡張するために拡張が使用されることが多い。 グラフ畳み込みニューラルネットワーク(graph-CNN)はディープラーニングで広く使用されているが、グラフや表面のデータを生成するための拡張手法が不足している。 本研究では,LB-eigDA (Laplace-Beltrami eigenfunction Data Augmentation) とChebyshev polynomial Data Augmentation (C-pDA) の2つの非バイアス拡張手法を提案する。 LB-eigDAは、LB係数の再サンプリングを介してデータを増大させる。 LB-eigDAと並行して,LBスペクトルフィルタの多項式近似を用いた高速拡張手法C-pDAを導入する。 チェビシェフ多項式近似と再サンプリング信号を用いてLBスペクトル帯域通過フィルタを設計し,新しいデータを生成する。 まず,シミュレーションデータを用いてLB-eigDAとC-pDAを検証し,分類精度の向上を目的とした。 次に、アルツハイマー病神経画像イニシアチブ(ADNI)の脳画像を用いて、皮質表面に表される皮質の厚みを抽出し、2つの拡張法の使用法を説明する。 拡張皮質厚みは実データと類似したパターンを持つことを示す。 次に,C-pDAはLB-eigDAよりもはるかに高速であることを示す。 最後に,C-pDAはグラフCNNのAD分類精度を向上させることができることを示す。

関連論文リスト

• Data Augmentation Scheme for Raman Spectra with Highly Correlated Annotations [0.23090185577016453]
  統計的に独立なラベルを持つデータセットから追加のデータポイントを生成するために、スペクトルの付加的な性質を利用する。 これらのデータポイント上でCNNをトレーニングすることで、アノテーションがモデルトレーニングに使用されたデータセットと同じ相関関係を持たないデータセットのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2024-02-01T18:46:28Z)
• Assessing Neural Network Representations During Training Using Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
  ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。 データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。 本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
  論文  参考訳（メタデータ） (2023-12-04T01:32:42Z)
• LD-GAN: Low-Dimensional Generative Adversarial Network for Spectral Image Generation with Variance Regularization [72.4394510913927]
  ディープラーニング法はスペクトル画像(SI)計算タスクの最先端技術である。 GANは、データ分散から学習およびサンプリングすることで、多様な拡張を可能にする。 この種のデータの高次元性は、GANトレーニングの収束を妨げるため、GANベースのSI生成は困難である。 本稿では, オートエンコーダ訓練における低次元表現分散を制御し, GANで生成されたサンプルの多様性を高めるための統計正則化を提案する。
  論文  参考訳（メタデータ） (2023-04-29T00:25:02Z)
• Bayesian Interpolation with Deep Linear Networks [92.1721532941863]
  ニューラルネットワークの深さ、幅、データセットサイズがモデル品質にどう影響するかを特徴付けることは、ディープラーニング理論における中心的な問題である。 線形ネットワークが無限深度で証明可能な最適予測を行うことを示す。 また、データに依存しない先行法により、広い線形ネットワークにおけるベイズ模型の証拠は無限の深さで最大化されることを示す。
  論文  参考訳（メタデータ） (2022-12-29T20:57:46Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Revisiting convolutional neural network on graphs with polynomial approximations of Laplace-Beltrami spectral filtering [6.111909222842263]
  本稿では,Defferrardで与えられたスペクトルグラフニューラルネットワーク(graph-CNN)を再検討する。 グラフラプラシアンをLB演算子に置き換えることで、LBCNN(Laplace-Beltrami CNN)を開発する。
  論文  参考訳（メタデータ） (2020-10-26T01:18:05Z)
• Transfer Learning and SpecAugment applied to SSVEP Based BCI Classification [1.9336815376402716]
  我々は、ディープ畳み込みニューラルネットワーク(DCNN)を使用して、単一チャネル脳-コンピュータインタフェース(BCI)で脳波信号を分類する。 脳波信号はスペクトログラムに変換され、転送学習技術を用いてDCNNを訓練するための入力として機能した。
  論文  参考訳（メタデータ） (2020-10-08T00:30:12Z)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)
• A Deep Convolutional Neural Network for COVID-19 Detection Using Chest X-Rays [2.2843885788439797]
  我々は,Dense Convolutional Networksに基づく画像分類器を提案し,胸部X線像を新型コロナウイルス,肺炎,正常の3つのラベルで分類する移行学習を行った。 テストデータセットで100%のテスト精度に到達することができました。
  論文  参考訳（メタデータ） (2020-04-30T13:20:42Z)

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。