Fugu-MT 論文翻訳(概要): Identifying Melanoma Images using EfficientNet Ensemble: Winning Solution to the SIIM-ISIC Melanoma Classification Challenge

論文の概要: Identifying Melanoma Images using EfficientNet Ensemble: Winning Solution to the SIIM-ISIC Melanoma Classification Challenge

arxiv url: http://arxiv.org/abs/2010.05351v1
Date: Sun, 11 Oct 2020 21:38:04 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 13:51:38.206916
Title: Identifying Melanoma Images using EfficientNet Ensemble: Winning Solution to the SIIM-ISIC Melanoma Classification Challenge
Title（参考訳）: efficientnetアンサンブルを用いたメラノーマ画像の同定:sim-isic melanoma classification challengeの勝利解
Authors: Qishen Ha, Bo Liu, Fuxu Liu
Abstract要約: 我々はSIIM-ISICメラノーマ分類チャレンジに勝利のソリューションを提示する。これは、異なるバックボーンと入力サイズを持つ畳み込みニューラルネットワーク(CNN)モデルのアンサンブルである。優勝した応募者は、クロス・検証で0.9600 AUC、プライベート・リーダーボードで0.9490 AUCを獲得した。
参考スコア（独自算出の注目度）: 4.835252864076995
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present our winning solution to the SIIM-ISIC Melanoma Classification Challenge. It is an ensemble of convolutions neural network (CNN) models with different backbones and input sizes, most of which are image-only models while a few of them used image-level and patient-level metadata. The keys to our winning are: (1) stable validation scheme (2) good choice of model target (3) carefully tuned pipeline and (4) ensembling with very diverse models. The winning submission scored 0.9600 AUC on cross validation and 0.9490 AUC on private leaderboard.
Abstract（参考訳）: 我々はSIIM-ISICメラノーマ分類チャレンジに勝利のソリューションを提示する。様々なバックボーンと入力サイズを持つ畳み込みニューラルネットワーク(cnn)モデルのアンサンブルであり、そのほとんどは画像のみのモデルであり、一部は画像レベルと患者レベルのメタデータを使用している。勝利の鍵は、(1)安定な検証スキーム(2)モデルターゲットの選択が良いこと(3)慎重に調整されたパイプライン、(4)非常に多様なモデルで組み立てることである。受賞者は、クロス・検証で0.9600 AUC、プライベート・リーダーボードで0.9490 AUCを獲得した。

関連論文リスト

Fluid: Scaling Autoregressive Text-to-image Generative Models with Continuous Tokens [53.99177152562075]
視覚における自己回帰モデルのスケールアップは、大きな言語モデルほど有益でないことが証明されている。モデルが離散トークンを使用するか、連続トークンを使用するか、BERTやGPTのようなトランスフォーマーアーキテクチャを用いてランダムまたは固定順序でトークンを生成するか、という2つの重要な要素に焦点を当てる。その結果,すべてのモデルが検証損失の点で効果的にスケールしているのに対して,評価性能はFID,GenEvalスコア,視覚的品質などによって異なる傾向を呈することがわかった。
論文参考訳（メタデータ） (2024-10-17T17:59:59Z)
Sparse vs Contiguous Adversarial Pixel Perturbations in Multimodal Models: An Empirical Analysis [11.897059430283225]
我々は,前処理した入力摂動画像に対してL0-ノルム攻撃を行う。攻撃対象は摂動画像面積の0.04%未満である。画像領域の0.02%以下を摂動することで,99%の成功率を得ることができた。
論文参考訳（メタデータ） (2024-07-25T17:59:48Z)
GroupMamba: Parameter-Efficient and Accurate Group Visual State Space Model [66.35608254724566]
状態空間モデル(SSM)は、二次的複雑性を伴う長距離依存のモデリングにおいて効果的な性能を示した。しかし、純粋なSSMベースのモデルは、コンピュータビジョンタスクにおける安定性と最適性能の達成に関連する課題に直面している。本稿では,コンピュータビジョンのためのSSMベースのモデルをスケールする上での課題,特に大規模モデルの不安定性と非効率性について論じる。
論文参考訳（メタデータ） (2024-07-18T17:59:58Z)
A Hybrid Spiking-Convolutional Neural Network Approach for Advancing Machine Learning Models [6.528272856589831]
本稿では,新しいハイブリッド・スパイキング・畳み込みニューラルネットワーク(SC-NN)モデルを提案する。我々のアプローチは、イベントベースの計算や時間処理などのSNNのユニークな機能と、CNNの強力な表現学習能力を利用する。モデルは、マスクを使用して欠落したリージョンを生成するイメージインペイント用に特別に設計されたカスタムデータセットに基づいてトレーニングされる。
論文参考訳（メタデータ） (2024-07-11T20:50:33Z)
Detecting Mitoses with a Convolutional Neural Network for MIDOG 2022 Challenge [4.593314647169437]
本研究は,1つのバニラ畳み込みニューラルネットワーク(CNN)を用いた有糸分裂検出法を提案する。提案手法は,画像が与えられた場合,まず,ミトースを含むパッチを抽出するスライディングウインドウ手法を用いてCNNを適用し,抽出したパッチのクラスアクティベーションマップを算出し,ミトーシスの正確な位置を求める。モデルの一般化性を高めるため、一連のデータ拡張手法、ノイズラベル付き画像に対処する損失、アクティブな学習戦略を用いてCNNを訓練する。
論文参考訳（メタデータ） (2022-08-26T04:59:43Z)
ViTAEv2: Vision Transformer Advanced by Exploring Inductive Bias for Image Recognition and Beyond [76.35955924137986]
我々は、内在性IBを畳み込み、すなわちViTAEから探索するビジョントランスフォーマーを提案する。 ViTAEはいくつかの空間ピラミッド縮小モジュールを備えており、入力イメージをリッチなマルチスケールコンテキストでトークンに埋め込む。我々は、ImageNet検証セット上で88.5%のTop-1分類精度と、ImageNet実検証セット上で最高の91.2%のTop-1分類精度を得る。
論文参考訳（メタデータ） (2022-02-21T10:40:05Z)
A Battle of Network Structures: An Empirical Study of CNN, Transformer, and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文参考訳（メタデータ） (2021-08-30T06:09:02Z)
A Hybrid Model for Combining Neural Image Caption and k-Nearest Neighbor Approach for Image Captioning [2.9822184411723645]
テキストベース要約を生成するために2つの一般的な画像キャプション手法を統合するハイブリッドモデルを提案する。 2つの画像キャプションモデルは、Neural Image Caption (NIC) と k-nearest neighbor アプローチである。提案したハイブリッドモデルでは, BLEU-4スコアの18.20を達成でき, 提案手法の有効性を証明できる。
論文参考訳（メタデータ） (2021-05-09T03:49:14Z)
Multiscale Deep Equilibrium Models [162.15362280927476]
マルチスケールディープ均衡モデル(MDEQ)を新たに提案する。 MDEQは、複数の特徴分解の平衡点を直接解き、同時に伝播する。本稿では,Cityscapesデータセットの高解像度画像に対するイメージネット分類とセマンティックセグメンテーションの2つの大規模ビジョンタスクにおけるこのアプローチの有効性について述べる。
論文参考訳（メタデータ） (2020-06-15T18:07:44Z)
AvgOut: A Simple Output-Probability Measure to Eliminate Dull Responses [97.50616524350123]
機能エンジニアリングなしで、どの発話やトークンが退屈であるかを動的に認識する対話モデルを構築します。最初のモデルMinAvgOutは、各バッチの出力分布を通して、ダイバーシティスコアを直接最大化する。第2のモデルであるラベルファインチューニング(LFT)は、多様性スコアによって連続的にスケールされたラベルをソースシーケンスにプリペイドし、多様性レベルを制御する。 3つ目のモデルであるRLは強化学習を採用し、多様性スコアを報奨信号として扱う。
論文参考訳（メタデータ） (2020-01-15T18:32:06Z)

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。