論文の概要: Deep learning and hand-crafted features for virus image classification
- arxiv url: http://arxiv.org/abs/2011.06123v2
- Date: Sun, 13 Dec 2020 00:29:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-26 23:06:08.002295
- Title: Deep learning and hand-crafted features for virus image classification
- Title（参考訳）: ウイルス画像分類のための深層学習と手作り機能
- Authors: Loris Nanni, Eugenio De Luca, Marco Ludovico Facin, Gianluca Maguolo
- Abstract要約: 本稿では,手工芸と深層学習を組み合わせたウイルス画像分類手法を提案する。
提案した融合は,各スタンドアローンアプローチで得られた性能を強く向上させる。
- 参考スコア（独自算出の注目度）: 6.981449837924022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this work, we present an ensemble of descriptors for the classification of
transmission electron microscopy images of viruses. We propose to combine
handcrafted and deep learning approaches for virus image classification. The
set of handcrafted is mainly based on Local Binary Pattern variants, for each
descriptor a different Support Vector Machine is trained, then the set of
classifiers is combined by sum rule. The deep learning approach is a
densenet201 pretrained on ImageNet and then tuned in the virus dataset, the net
is used as features extractor for feeding another Support Vector Machine, in
particular the last average pooling layer is used as feature extractor.
Finally, classifiers trained on handcrafted features and classifier trained on
deep learning features are combined by sum rule. The proposed fusion strongly
boosts the performance obtained by each stand-alone approach, obtaining state
of the art performance.
- Abstract（参考訳）: 本稿では,ウイルスの透過電子顕微鏡画像の分類のための記述子について述べる。
ウイルス画像分類のための手作りと深層学習を組み合わせた手法を提案する。
手工芸品の集合は、主にローカルバイナリパターンの変種に基づいており、それぞれの記述子に対して異なるサポートベクトルマシンが訓練され、分類器の集合は和則で結合される。
ディープラーニングアプローチは、imagenetで事前トレーニングされ、ウイルスデータセットでチューニングされたdeepnet201であり、別のサポートベクターマシンに供給する特徴抽出器として、特に最後の平均プーリング層を特徴抽出器として使用する。
最後に,手作りの特徴を学習した分類器と深層学習の特徴を学習した分類器を総和法で組み合わせた。
提案した融合により,各スタンドアローンアプローチで得られた性能が強く向上し,技術性能が向上する。
関連論文リスト
- Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of
Feature Similarity [49.84167231111667]
自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。
自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。
機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
論文 参考訳（メタデータ） (2022-04-06T17:48:18Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳（メタデータ） (2021-12-24T05:54:21Z) - Virus-MNIST: Machine Learning Baseline Calculations for Image
Classification [0.0]
Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。
ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
論文 参考訳（メタデータ） (2021-11-03T17:44:23Z) - Deep Features for training Support Vector Machine [16.795405355504077]
本稿では,訓練済みcnnから抽出した特徴に基づく汎用コンピュータビジョンシステムを開発した。
複数の学習特徴を単一の構造に組み合わせ、異なる画像分類タスクに取り組んでいます。
論文 参考訳（メタデータ） (2021-04-08T03:13:09Z) - Deep Class-Specific Affinity-Guided Convolutional Network for Multimodal
Unpaired Image Segmentation [7.021001169318551]
マルチモーダル医療イメージセグメンテーションは、臨床診断に不可欠な役割を担います。
入力モダリティはしばしば空間的に整列していないため、依然として困難である。
マルチモーダル画像分割のための親和性誘導完全畳み込みネットワークを提案する。
論文 参考訳（メタデータ） (2021-01-05T13:56:51Z) - Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。
本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。
その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文 参考訳（メタデータ） (2020-12-15T22:58:23Z) - Learning and Evaluating Representations for Deep One-class
Classification [59.095144932794646]
ディープワンクラス分類のための2段階フレームワークを提案する。
まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。
実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
論文 参考訳（メタデータ） (2020-11-04T23:33:41Z) - RandomForestMLP: An Ensemble-Based Multi-Layer Perceptron Against Curse
of Dimensionality [0.0]
我々はRandomForestMLPという,新しい,実用的なディープラーニングパイプラインを提案する。
このコアトレーニング可能な分類エンジンは、畳み込みニューラルネットワークのバックボーンと、分類タスクのためのアンサンブルベースの多層パーセプトロンコアで構成されている。
論文 参考訳（メタデータ） (2020-11-02T18:25:36Z) - Saliency-driven Class Impressions for Feature Visualization of Deep
Neural Networks [55.11806035788036]
分類に欠かせないと思われる特徴を視覚化することは有利である。
既存の可視化手法は,背景特徴と前景特徴の両方からなる高信頼画像を生成する。
本研究では,あるタスクにおいて最も重要であると考えられる識別的特徴を可視化するための,サリエンシ駆動型アプローチを提案する。
論文 参考訳（メタデータ） (2020-07-31T06:11:06Z) - Group Based Deep Shared Feature Learning for Fine-grained Image
Classification [31.84610555517329]
共有された特徴を明示的にモデル化し、その効果を除去し、拡張された分類結果を得るための新しいディープネットワークアーキテクチャを提案する。
我々はこのフレームワークをグループベースのDeep Shared Feature Learning (GSFL)と呼び、学習したネットワークをGSFL-Netと呼ぶ。
特殊オートエンコーダの重要な利点は、多用途であり、最先端のきめ細かい特徴抽出モデルと組み合わせて、それらと一緒にトレーニングすることで、パフォーマンスを直接改善できる点である。
論文 参考訳（メタデータ） (2020-04-04T00:01:11Z)
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。