論文の概要: Meta ordinal weighting net for improving lung nodule classification
- arxiv url: http://arxiv.org/abs/2102.00456v1
- Date: Sun, 31 Jan 2021 14:00:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 02:23:59.962293
- Title: Meta ordinal weighting net for improving lung nodule classification
- Title（参考訳）: 肺結節分類の改善のためのメタオーディナル重み付け網
- Authors: Yiming Lei, Hongming Shan, Junping Zhang
- Abstract要約: 本稿では,各トレーニングサンプルをメタ順序集合 (MOS) に整列させるメタ順序重み付けネットワーク (MOW-Net) を提案する。
トレーニングプロセス中、MOW-Netは、MOSのサンプルから対応するクラス固有の重みへのマッピングを学習する。
実験の結果,MOW-Netは最先端の順序回帰法よりも精度が高いことがわかった。
- 参考スコア（独自算出の注目度）: 19.61244172891081
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The progression of lung cancer implies the intrinsic ordinal relationship of
lung nodules at different stages-from benign to unsure then to malignant. This
problem can be solved by ordinal regression methods, which is between
classification and regression due to its ordinal label. However, existing
convolutional neural network (CNN)-based ordinal regression methods only focus
on modifying classification head based on a randomly sampled mini-batch of
data, ignoring the ordinal relationship resided in the data itself. In this
paper, we propose a Meta Ordinal Weighting Network (MOW-Net) to explicitly
align each training sample with a meta ordinal set (MOS) containing a few
samples from all classes. During the training process, the MOW-Net learns a
mapping from samples in MOS to the corresponding class-specific weight. In
addition, we further propose a meta cross-entropy (MCE) loss to optimize the
network in a meta-learning scheme. The experimental results demonstrate that
the MOW-Net achieves better accuracy than the state-of-the-art ordinal
regression methods, especially for the unsure class.
- Abstract（参考訳）: 肺癌の進行は、良性から不確実性までの異なる段階における肺結節の内在性順序関係を意味する。
この問題は、その順序ラベルによる分類と回帰の間の順序回帰法によって解決することができる。
しかし、既存の畳み込みニューラルネットワーク(CNN)ベースの順序回帰法は、ランダムにサンプリングされたデータのミニバッチに基づいて分類ヘッドを変更することのみに焦点を当て、データ自体に存在する順序関係を無視している。
本稿では、各トレーニングサンプルを、すべてのクラスからいくつかのサンプルを含むメタ順序集合(mos)に明示的に整合させるメタ順序重み付けネットワーク(mow-net)を提案する。
トレーニングプロセス中、MOW-NetはMOSのサンプルから対応するクラス固有のウェイトへのマッピングを学びます。
さらに,メタ学習方式でネットワークを最適化するために,メタクロスエントロピー(MCE)損失を提案する。
実験の結果,MOW-Netは,特に不確実クラスにおいて,最先端の順序回帰法よりも精度が高いことがわかった。
関連論文リスト
- Adaptive Margin Global Classifier for Exemplar-Free Class-Incremental Learning [3.4069627091757178]
既存の手法は主にバイアス学習を扱うことに焦点を当てている。
本研究では,データ不均衡やサンプリングといった既存手法のバイアス要因を回避するために,分散ベースグローバル(DBGC)を導入する。
さらに重要なのは、古いクラスの妥協された分布は、単純な操作、分散(VE)によってシミュレートされることだ。
この損失は、Adaptive Margin Softmax Cross Entropy (AMarX)と等価であることが証明されている。
論文 参考訳（メタデータ） (2024-09-20T07:07:23Z) - Meta-GCN: A Dynamically Weighted Loss Minimization Method for Dealing with the Data Imbalance in Graph Neural Networks [5.285761906707429]
そこで我々は,メタGCNというメタ学習アルゴリズムを提案し,サンプル重み付けを適応的に学習する。
我々は,Meta-GCNが最先端フレームワークや他のベースラインを精度で上回ることを示した。
論文 参考訳（メタデータ） (2024-06-24T18:59:24Z) - Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple
Logits Retargeting Approach [102.0769560460338]
我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。
提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-03-01T03:27:08Z) - Theoretical Characterization of the Generalization Performance of
Overfitted Meta-Learning [70.52689048213398]
本稿では,ガウス的特徴を持つ線形回帰モデルの下で,過剰適合型メタラーニングの性能について検討する。
シングルタスク線形回帰には存在しない新しい興味深い性質が見つかる。
本分析は,各訓練課題における基礎的真理のノイズや多様性・変動が大きい場合には,良心過剰がより重要かつ容易に観察できることを示唆する。
論文 参考訳（メタデータ） (2023-04-09T20:36:13Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - Intra-class Adaptive Augmentation with Neighbor Correction for Deep
Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。
クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。
本手法は,検索性能の最先端手法を3%～6%向上させる。
論文 参考訳（メタデータ） (2022-11-29T14:52:38Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手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） (2022-10-09T02:32:57Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳（メタデータ） (2022-07-01T12:16:42Z) - Deep Ordinal Regression with Label Diversity [19.89482062012177]
本稿では,複数の離散データ表現を同時に使用することで,ニューラルネットワーク学習を改善することを提案する。
我々のアプローチはエンドツーエンドで微分可能であり、従来の学習方法への単純な拡張として追加することができる。
論文 参考訳（メタデータ） (2020-06-29T08:23:43Z) - A generic ensemble based deep convolutional neural network for
semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。
本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文 参考訳（メタデータ） (2020-04-16T23:41:50Z)
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。