論文の概要: Genetic U-Net: Automatically Designed Deep Networks for Retinal Vessel
Segmentation Using a Genetic Algorithm
- arxiv url: http://arxiv.org/abs/2010.15560v4
- Date: Fri, 11 Jun 2021 09:58:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:38:24.529710
- Title: Genetic U-Net: Automatically Designed Deep Networks for Retinal Vessel
Segmentation Using a Genetic Algorithm
- Title（参考訳）: 遺伝的U-Net:遺伝的アルゴリズムを用いた網膜血管セグメンテーションのためのDeep Networkの自動設計
- Authors: Jiahong Wei, Zhun Fan
- Abstract要約: 遺伝的U-Netは、より優れた網膜血管セグメンテーションを実現することができるが、アーキテクチャに基づくパラメータが少ないU字型畳み込みニューラルネットワーク(CNN)を生成するために提案されている。
実験の結果,提案手法を用いて得られたアーキテクチャは,元のU-Netパラメータの1%以下で優れた性能を示した。
- 参考スコア（独自算出の注目度）: 2.6629444004809826
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, many methods based on hand-designed convolutional neural networks
(CNNs) have achieved promising results in automatic retinal vessel
segmentation. However, these CNNs remain constrained in capturing retinal
vessels in complex fundus images. To improve their segmentation performance,
these CNNs tend to have many parameters, which may lead to overfitting and high
computational complexity. Moreover, the manual design of competitive CNNs is
time-consuming and requires extensive empirical knowledge. Herein, a novel
automated design method, called Genetic U-Net, is proposed to generate a
U-shaped CNN that can achieve better retinal vessel segmentation but with fewer
architecture-based parameters, thereby addressing the above issues. First, we
devised a condensed but flexible search space based on a U-shaped
encoder-decoder. Then, we used an improved genetic algorithm to identify
better-performing architectures in the search space and investigated the
possibility of finding a superior network architecture with fewer parameters.
The experimental results show that the architecture obtained using the proposed
method offered a superior performance with less than 1% of the number of the
original U-Net parameters in particular and with significantly fewer parameters
than other state-of-the-art models. Furthermore, through in-depth investigation
of the experimental results, several effective operations and patterns of
networks to generate superior retinal vessel segmentations were identified.
- Abstract（参考訳）: 近年,手作り畳み型畳み込みニューラルネットワーク(cnns)に基づく手法が網膜血管の自動分割に有望な結果をもたらしている。
しかし、これらのCNNは複雑な眼底画像で網膜血管を捉えることに制約が残っている。
セグメンテーション性能を向上させるために、これらのcnnには多くのパラメータがあり、オーバーフィッティングと高い計算複雑性をもたらす可能性がある。
さらに、競合するcnnの手動設計は時間がかかり、広範な経験的知識を必要とする。
本稿では, 網膜血管のセグメンテーションが向上するが, アーキテクチャに基づくパラメータは少ないu字型cnnを生成するために, 遺伝的u-netと呼ばれる新しい自動設計法を提案する。
まず, u字型エンコーダデコーダに基づく, 凝縮かつ柔軟な探索空間を考案した。
次に,改良された遺伝的アルゴリズムを用いて検索空間における優れたアーキテクチャを同定し,より少ないパラメータで優れたネットワークアーキテクチャを探索する可能性について検討した。
実験結果から,提案手法を用いて得られたアーキテクチャは,元のU-Netパラメータの1%以下で,他の最先端モデルに比べて有意に少ない性能を示した。
さらに,実験結果の詳細な調査を通じて,優れた網膜血管セグメンテーションを生成するためのネットワークの動作とパターンを同定した。
関連論文リスト
- EvSegSNN: Neuromorphic Semantic Segmentation for Event Data [0.6138671548064356]
EvSegSNN は、Parametric Leaky Integrate と Fire のニューロンに依存した、生物学的に検証可能なエンコーダ-デコーダU字型アーキテクチャである。
本稿では,スパイキングニューラルネットワークとイベントカメラを組み合わせることによって,エンド・ツー・エンドのバイオインスパイアされたセマンティックセマンティックセマンティクス手法を提案する。
DDD17で実施された実験は、EvSegSNNがMIoUの観点から最も近い最先端モデルを上回っていることを示している。
論文 参考訳（メタデータ） (2024-06-20T10:36:24Z) - Unveiling the Unseen: Identifiable Clusters in Trained Depthwise
Convolutional Kernels [56.69755544814834]
深部分離型畳み込みニューラルネットワーク(DS-CNN)の最近の進歩は、新しいアーキテクチャをもたらす。
本稿では,DS-CNNアーキテクチャのもう一つの顕著な特性を明らかにする。
論文 参考訳（メタデータ） (2024-01-25T19:05:53Z) - Deep Architecture Connectivity Matters for Its Convergence: A
Fine-Grained Analysis [94.64007376939735]
我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。
接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
論文 参考訳（メタデータ） (2022-05-11T17:43:54Z) - CONet: Channel Optimization for Convolutional Neural Networks [33.58529066005248]
畳み込みニューラルネットワーク(CNN)におけるチャネルサイズ最適化の検討
ネットワーク層をまたいだCNNのチャネルサイズを自動的に最適化する,効率的な動的スケーリングアルゴリズムであるConetを導入します。
CIFAR10/100およびImageNetデータセット上で実験を行い、ConetがResNet、DARTS、DARTS+空間で探索された効率的で正確なアーキテクチャを見つけることができることを示す。
論文 参考訳（メタデータ） (2021-08-15T21:48:25Z) - Convolution Neural Network Hyperparameter Optimization Using Simplified
Swarm Optimization [2.322689362836168]
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で広く使われている。
パフォーマンスが向上したネットワークアーキテクチャを見つけるのは容易ではない。
論文 参考訳（メタデータ） (2021-03-06T00:23:27Z) - Exploiting Heterogeneity in Operational Neural Networks by Synaptic
Plasticity [87.32169414230822]
最近提案されたネットワークモデルであるオペレーショナルニューラルネットワーク(ONN)は、従来の畳み込みニューラルネットワーク(CNN)を一般化することができる。
本研究では, 生体ニューロンにおける本質的な学習理論を示すSynaptic Plasticityパラダイムに基づいて, ネットワークの隠蔽ニューロンに対する最強演算子集合の探索に焦点をあてる。
高難易度問題に対する実験結果から、神経細胞や層が少なくても、GISベースのONNよりも優れた学習性能が得られることが示された。
論文 参考訳（メタデータ） (2020-08-21T19:03:23Z) - VINNAS: Variational Inference-based Neural Network Architecture Search [2.685668802278155]
スパース畳み込みニューラルネットワークを探索するための可変変分推論に基づくNAS法を提案する。
提案手法は,非ゼロパラメータの約2倍の精度で最先端の精度を示しながら,多様なネットワークセルを探索する。
論文 参考訳（メタデータ） (2020-07-12T21:47:35Z) - The Heterogeneity Hypothesis: Finding Layer-Wise Differentiated Network
Architectures [179.66117325866585]
我々は、通常見過ごされる設計空間、すなわち事前定義されたネットワークのチャネル構成を調整することを検討する。
この調整は、拡張ベースラインネットワークを縮小することで実現でき、性能が向上する。
画像分類、視覚追跡、画像復元のための様々なネットワークとデータセットで実験を行う。
論文 参考訳（メタデータ） (2020-06-29T17:59:26Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z) - Widening and Squeezing: Towards Accurate and Efficient QNNs [125.172220129257]
量子化ニューラルネットワーク(QNN)は、非常に安価な計算とストレージオーバーヘッドのため、業界にとって非常に魅力的なものだが、その性能は、完全な精度パラメータを持つネットワークよりも悪い。
既存の手法の多くは、より効果的なトレーニング技術を利用して、特にバイナリニューラルネットワークの性能を高めることを目的としている。
本稿では,従来の完全精度ネットワークで高次元量子化機能に特徴を投影することで,この問題に対処する。
論文 参考訳（メタデータ） (2020-02-03T04:11:13Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
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。