Fugu-MT 論文翻訳(概要): Rapid Classification of Glaucomatous Fundus Images

論文の概要: Rapid Classification of Glaucomatous Fundus Images

arxiv url: http://arxiv.org/abs/2102.04400v1
Date: Mon, 8 Feb 2021 18:06:25 GMT
ステータス: 処理完了
システム内更新日: 2021-02-11 04:45:50.159190
Title: Rapid Classification of Glaucomatous Fundus Images
Title（参考訳）: 緑内障眼底画像の迅速分類
Authors: Hardit Singh, Simarjeet Saini, Vasudevan Lakshminarayanan
Abstract要約: 本稿では,強化学習と教師付き学習を統合した畳み込みニューラルネットワークの学習手法を提案する。トレーニング方法は2つの異なるタイプである「ランダム移動」と「ランダム検出」を経由した登山技術を用いる。このモデルは、グラコマトースと正常な眼底画像を持つDrishti GSとRIM-ONE-r2データセットを用いて訓練され、試験された。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a new method for training convolutional neural networks which integrates reinforcement learning along with supervised learning and use ti for transfer learning for classification of glaucoma from colored fundus images. The training method uses hill climbing techniques via two different climber types, viz "random movment" and "random detection" integrated with supervised learning model though stochastic gradient descent with momentum (SGDM) model. The model was trained and tested using the Drishti GS and RIM-ONE-r2 datasets having glaucomatous and normal fundus images. The performance metrics for prediction was tested by transfer learning on five CNN architectures, namely GoogLenet, DesnseNet-201, NASNet, VGG-19 and Inception-resnet-v2. A fivefold classification was used for evaluating the perfroamnace and high sensitivities while high maintaining high accuracies were achieved. Of the models tested, the denseNet-201 architecture performed the best in terms of sensitivity and area under the curve (AUC). This method of training allows transfer learning on small datasets and can be applied for tele-ophthalmology applications including training with local datasets.
Abstract（参考訳）: 色付き眼底画像から緑内障を分類するために,強化学習と教師付き学習を統合した新しい畳み込みニューラルネットワークの訓練法を提案する。トレーニング方法は,2種類の登山種別,ビズ「ランダム運動」と「ランダム検出」を教師付き学習モデルに統合し,確率勾配下降と運動量(SGDM)モデルを用いた。モデルはDrishti GSとRIM-ONE-r2データセットを使用して訓練され、テストされた。予測のパフォーマンスメトリクスは、GoogLenet、DesnseNet-201、NASNet、VGG-19、Inception-resnet-v2の5つのCNNアーキテクチャで転送学習によってテストされた。 5倍の分類を行い,高い精度を保ちながら,高感度と高感度の評価を行った。テストされたモデルのうち、密度の高いNet-201アーキテクチャは、曲線(AUC)の感度と面積の点で最善を尽くした。この訓練方法は、小さなデータセットでの転送学習を可能にし、ローカルデータセットによるトレーニングを含む遠隔眼科応用に適用することができる。

関連論文リスト

Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
論文参考訳（メタデータ） (2024-11-19T01:01:56Z)
Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文参考訳（メタデータ） (2024-02-28T08:34:23Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
Convolutional Neural Networks for the classification of glitches in gravitational-wave data streams [52.77024349608834]
我々は、高度LIGO検出器のデータから過渡ノイズ信号(グリッチ)と重力波を分類する。どちらも、Gravity Spyデータセットを使用して、スクラッチからトレーニングされた、教師付き学習アプローチのモデルを使用します。また、擬似ラベルの自動生成による事前学習モデルの自己教師型アプローチについても検討する。
論文参考訳（メタデータ） (2023-03-24T11:12:37Z)
A Gradient Boosting Approach for Training Convolutional and Deep Neural Networks [0.0]
グラディエントブースティング(GB)に基づく畳み込みニューラルネットワーク(CNN)とディープニューラルネットワークの訓練方法を紹介する。提案モデルでは,同一アーキテクチャの標準CNNとDeep-NNに対して,分類精度の点で優れた性能を示す。
論文参考訳（メタデータ） (2023-02-22T12:17:32Z)
Adaptive Convolutional Dictionary Network for CT Metal Artifact Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文参考訳（メタデータ） (2022-05-16T06:49:36Z)
DcnnGrasp: Towards Accurate Grasp Pattern Recognition with Adaptive Regularizer Learning [13.08779945306727]
現在の最先端手法は、パターン認識に不可欠なオブジェクトのカテゴリ情報を無視している。本稿では,物体分類と把握パターン認識の連成学習を実現するために,二分岐畳み込みニューラルネットワーク(DcnnGrasp)を提案する。
論文参考訳（メタデータ） (2022-05-11T00:34:27Z)
Efficient deep learning models for land cover image classification [0.29748898344267777]
土地利用土地被覆(LULC)画像分類のためのBigEarthNetデータセットを用いて実験を行った。コンボリューションニューラルネットワーク、マルチ層パーセプトロン、ビジュアルトランスフォーマー、効率的なネットワーク、ワイド残留ネットワーク(WRN)など、さまざまな最先端モデルをベンチマークする。提案する軽量モデルは、訓練可能なパラメータが桁違いに小さく、平均的なFスコア分類精度が19のLULCクラスすべてに対して4.5%向上し、ベースラインとして使用するResNet50の2倍高速に訓練される。
論文参考訳（メタデータ） (2021-11-18T00:03:14Z)
Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文参考訳（メタデータ） (2021-08-29T05:45:03Z)
Local Critic Training for Model-Parallel Learning of Deep Neural Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文参考訳（メタデータ） (2021-02-03T09:30:45Z)
One-Vote Veto: Semi-Supervised Learning for Low-Shot Glaucoma Diagnosis [3.4069019052564506]
畳み込みニューラルネットワーク(CNN)は,眼底画像から緑内障を自動診断するための有望な手法である。 CNNは通常、多くのバイオメディカル画像分類アプリケーションでは利用できない、十分なラベル付きデータをトレーニングに必要とします。本稿では,(1)従来のシームズネットワークを拡張し,ラベル付きデータが限定的かつ不均衡な場合のローショット学習のトレーニング手法を導入し,(2)ラベル付きトレーニングデータを用いた新たな半教師付き学習戦略を導入し,精度の向上を図る。
論文参考訳（メタデータ） (2020-12-09T03:20:06Z)

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。

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。