論文の概要: Deep Triplet Hashing Network for Case-based Medical Image Retrieval
- arxiv url: http://arxiv.org/abs/2101.12346v1
- Date: Fri, 29 Jan 2021 01:35:46 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 12:50:29.394760
- Title: Deep Triplet Hashing Network for Case-based Medical Image Retrieval
- Title（参考訳）: ケースベース医療画像検索のための深トリプレットハッシングネットワーク
- Authors: Jiansheng Fang, Huazhu Fu, Jiang Liu
- Abstract要約: 我々は、低次元のハッシュコードを学ぶために、Attention-based Triplet Hashing (ATH) ネットワークと呼ばれるエンドツーエンドのフレームワークを提案する。
提案したATHは,最先端のディープハッシュ法と比較して,検索性能を向上できることを示す。
- 参考スコア（独自算出の注目度）: 33.21919320742157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep hashing methods have been shown to be the most efficient approximate
nearest neighbor search techniques for large-scale image retrieval. However,
existing deep hashing methods have a poor small-sample ranking performance for
case-based medical image retrieval. The top-ranked images in the returned query
results may be as a different class than the query image. This ranking problem
is caused by classification, regions of interest (ROI), and small-sample
information loss in the hashing space. To address the ranking problem, we
propose an end-to-end framework, called Attention-based Triplet Hashing (ATH)
network, to learn low-dimensional hash codes that preserve the classification,
ROI, and small-sample information. We embed a spatial-attention module into the
network structure of our ATH to focus on ROI information. The spatial-attention
module aggregates the spatial information of feature maps by utilizing
max-pooling, element-wise maximum, and element-wise mean operations jointly
along the channel axis. The triplet cross-entropy loss can help to map the
classification information of images and similarity between images into the
hash codes. Extensive experiments on two case-based medical datasets
demonstrate that our proposed ATH can further improve the retrieval performance
compared to the state-of-the-art deep hashing methods and boost the ranking
performance for small samples. Compared to the other loss methods, the triplet
cross-entropy loss can enhance the classification performance and hash
code-discriminability
- Abstract（参考訳）: 大規模画像検索における最も効率的な近接探索手法としてディープハッシュ法が示されている。
しかし,既存の深層ハッシュ手法は,症例ベース画像検索において,小標本ランキング性能に乏しい。
返されるクエリ結果のトップランクのイメージは、クエリイメージとは異なるクラスである可能性がある。
このランキング問題は、ハッシュ空間における分類、関心領域(ROI)、および小さなサンプル情報損失によって引き起こされる。
ランキング問題に対処するため,アテンションベースのTriplet Hashing(ATH)ネットワークと呼ばれるエンドツーエンドのフレームワークを提案し,分類,ROI,小サンプル情報を保存する低次元ハッシュコードを学ぶ。
我々は、ROI情報にフォーカスするために、ATHのネットワーク構造に空間アテンションモジュールを埋め込む。
空間アテンテンションモジュールは、チャンネル軸に沿って最大プール、要素方向最大、要素方向平均演算を利用して特徴マップの空間情報を集約する。
三重項クロスエントロピー損失は、画像の分類情報と画像間の類似性をハッシュコードにマップするのに役立ちます。
2つのケースベースの医療データセットに関する広範囲な実験により,提案するathは,最先端のディープハッシュ法に比べて検索性能が向上し,小規模サンプルのランキング性能が向上することを示した。
他の損失方法と比較して、三重項クロスエントロピー損失は分類性能とハッシュコード識別性を高めることができる
関連論文リスト
- Cascading Hierarchical Networks with Multi-task Balanced Loss for
Fine-grained hashing [1.6244541005112747]
きめ細かいハッシュは従来のハッシュ問題よりも難しい。
本稿では,コンパクトでセマンティックなハッシュコードを学習するためのカスケードネットワークを提案する。
また,マルチタスク学習の損失を協調的にバランスさせる新しい手法を提案する。
論文 参考訳（メタデータ） (2023-03-20T17:08:48Z) - Kernel Inversed Pyramidal Resizing Network for Efficient Pavement
Distress Recognition [9.927965682734069]
画像リサイズのために,Kernel Inversed Pyramidal Resizing Network (KIPRN) というライトネットワークを導入した。
KIPRNでは、ピラミッドの畳み込みとカーネルの逆転畳み込みは、識別情報をマイニングするために特別に設計されている。
以上の結果から,KIPRNは一般的にCNNモデルの舗装救難認識を改善することが示唆された。
論文 参考訳（メタデータ） (2022-12-04T10:40:40Z) - Rank-Enhanced Low-Dimensional Convolution Set for Hyperspectral Image
Denoising [50.039949798156826]
本稿では,ハイパースペクトル(HS)画像の難解化問題に対処する。
ランク付き低次元畳み込み集合(Re-ConvSet)を提案する。
次に、Re-ConvSetを広く使われているU-Netアーキテクチャに組み込んで、HS画像復号法を構築する。
論文 参考訳（メタデータ） (2022-07-09T13:35:12Z) - Asymmetric Hash Code Learning for Remote Sensing Image Retrieval [22.91678927865952]
リモートセンシング画像検索のための非対称ハッシュ符号学習(AHCL)という新しい深層ハッシュ法を提案する。
AHCLは、クエリとデータベースイメージのハッシュコードを非対称に生成する。
3つの公開データセットに対する実験結果から,提案手法は精度と効率の点で対称法より優れていることが示された。
論文 参考訳（メタデータ） (2022-01-15T07:00:38Z) - PHPQ: Pyramid Hybrid Pooling Quantization for Efficient Fine-Grained
Image Retrieval [68.05570413133462]
マルチレベル特徴量から微細なセマンティック情報を捕捉・保存するためのピラミッドハイブリッドポーリング量子化(PHPQ)モジュールを提案する。
CUB-200-2011とStanford Dogsの2つの広く使用されている公開ベンチマークの実験では、PHPQが最先端の手法より優れていることが示されている。
論文 参考訳（メタデータ） (2021-09-11T07:21:02Z) - Combined Depth Space based Architecture Search For Person
Re-identification [70.86236888223569]
個人再識別(ReID)のための軽量で適切なネットワークの設計を目指しています。
本研究では,CDNetと呼ばれる効率的なネットワークアーキテクチャの探索に基づく,複合深さ空間(Componed Depth Space, CDS)と呼ばれる新しい検索空間を提案する。
そこで我々はTop-k Sample Search戦略という低コストの検索戦略を提案し、検索空間をフル活用し、局所的な最適結果のトラップを避ける。
論文 参考訳（メタデータ） (2021-04-09T02:40:01Z) - Attention-based Saliency Hashing for Ophthalmic Image Retrieval [7.6609890269360505]
光学画像を表すコンパクトハッシュ符号を学習するための注意ベースの Saliency Hashing (ASH) を提案する。
ASHは空間アテンションモジュールを組み込んで、塩分領域の表現にもっと焦点を合わせます。
ashは最先端のディープハッシュ法に比べて検索性能がさらに向上する。
論文 参考訳（メタデータ） (2020-12-07T06:04:12Z) - A survey on deep hashing for image retrieval [7.156209824590489]
本稿では,既存のハッシュ手法のボトルネックを突破しようとするシャドウリカレントハッシュ(SRH)手法を提案する。
具体的には、画像の意味的特徴を抽出するCNNアーキテクチャを考案し、類似した画像を近接に投影するロス関数を設計する。
データセットCIFAR-10のいくつかの実験は、SRHの満足な性能を示している。
論文 参考訳（メタデータ） (2020-06-10T03:01:59Z) - Reinforcing Short-Length Hashing [61.75883795807109]
既存の手法は、非常に短いハッシュコードを用いた検索性能が劣っている。
本研究では, 短寿命ハッシュ(RSLH)を改良する新しい手法を提案する。
本稿では,ハッシュ表現とセマンティックラベルの相互再構成を行い,セマンティック情報を保存する。
3つの大規模画像ベンチマークの実験は、様々な短いハッシュシナリオ下でのRSLHの優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-24T02:23:52Z) - ADRN: Attention-based Deep Residual Network for Hyperspectral Image
Denoising [52.01041506447195]
ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。
実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2020-03-04T08:36:27Z) - A Survey on Deep Hashing Methods [52.326472103233854]
最寄りの検索は、データベースからクエリまでの距離が最小のサンプルを取得することを目的としている。
ディープラーニングの発展により、ディープハッシュ法は従来の方法よりも多くの利点を示す。
深い教師付きハッシュは、ペアワイズ法、ランキングベースの方法、ポイントワイズ法、量子化に分類される。
深い教師なしハッシュは、類似性再構築に基づく方法、擬似ラベルに基づく方法、予測自由な自己教師あり学習に基づく方法に分類される。
論文 参考訳（メタデータ） (2020-03-04T08:25:15Z)
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。