論文の概要: Colored Kimia Path24 Dataset: Configurations and Benchmarks with Deep Embeddings

• arxiv url: http://arxiv.org/abs/2102.07611v1
• Date: Mon, 15 Feb 2021 15:53:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 15:24:50.470315
• Title: Colored Kimia Path24 Dataset: Configurations and Benchmarks with Deep Embeddings
• Title（参考訳）: Colored Kimia Path24 Dataset:Deep Embeddingsによる構成とベンチマーク
• Authors: Sobhan Shafiei, Morteza Babaie, Shivam Kalra, H.R.Tizhoosh
• Abstract要約: 我々は,キヤパス24cを提案するために,全24スキャンからサンプルパッチを再現することで,キヤパス24のカラーバージョンを紹介する。 選択したパッチの最適な設定を決定するために、広範な実験を行います。 DenseNetを用いた画像検索の精度は95.92%であり、InceptionV3とVGG16を用いた最高精度は92.45%、92%であった。
• 参考スコア（独自算出の注目度）: 5.508365014509761
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The Kimia Path24 dataset has been introduced as a classification and retrieval dataset for digital pathology. Although it provides multi-class data, the color information has been neglected in the process of extracting patches. The staining information plays a major role in the recognition of tissue patterns. To address this drawback, we introduce the color version of Kimia Path24 by recreating sample patches from all 24 scans to propose Kimia Path24C. We run extensive experiments to determine the best configuration for selected patches. To provide preliminary results for setting a benchmark for the new dataset, we utilize VGG16, InceptionV3 and DenseNet-121 model as feature extractors. Then, we use these feature vectors to retrieve test patches. The accuracy of image retrieval using DenseNet was 95.92% while the highest accuracy using InceptionV3 and VGG16 reached 92.45% and 92%, respectively. We also experimented with "deep barcodes" and established that with a small loss in accuracy (e.g., 93.43% for binarized features for DenseNet instead of 95.92% when the features themselves are used), the search operations can be significantly accelerated.
• Abstract（参考訳）: Kimia Path24データセットは、デジタル病理学の分類および検索データセットとして導入された。 マルチクラスデータを提供するが、パッチ抽出の過程で色情報は無視されている。 染色情報は組織パターンの認識において重要な役割を果たす。 この欠点に対処するため、24スキャンのサンプルパッチを再作成してKimia Path24Cを提案することで、Kimia Path24の色バージョンを紹介します。 選択したパッチの最適な設定を決定するために、広範な実験を行います。 新しいデータセットのベンチマークを設定するための予備的な結果を提供するために、VGG16、InceptionV3およびDenseNet-121モデルを機能抽出器として使用する。 そして、これらの特徴ベクトルを使ってテストパッチを検索します。 DenseNetを用いた画像検索の精度は95.92%であり、InceptionV3とVGG16を用いた最高精度は92.45%、92%であった。 また、"ディープバーコード"を実験し、精度の低下(例えば、95.92%ではなく、密度ネットの2値化特徴の93.43%)により、検索操作を著しく高速化できることを確認した。

関連論文リスト

• NCT-CRC-HE: Not All Histopathological Datasets Are Equally Useful [15.10324445908774]
  本稿では,NCT-CRC-HE-100Kの大腸癌データセットの解析を行った。 このデータセットと得られた結果の両方が、データ固有のバイアスの影響を受けている可能性がある。 画像あたりの3つの特徴しか使用していない最も単純なモデルでさえ、この9クラスデータセットで50%以上の精度を示すことができる。
  論文  参考訳（メタデータ） (2024-09-17T20:36:03Z)
• Semi-supervised 3D Object Detection with PatchTeacher and PillarMix [71.4908268136439]
  現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的である。 学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。 本稿では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介する。
  論文  参考訳（メタデータ） (2024-07-13T06:58:49Z)
• Multi-Spectral Remote Sensing Image Retrieval Using Geospatial Foundation Models [0.562479170374811]
  この研究は、PrithviのようなGeospatial Foundation Modelsをリモートセンシング画像検索に使用することを提案している。 検索タスクに2つのデータセットを導入し、高い性能を観察する。 Prithviは6つのバンドを処理し、平均精度はBigEarthNet-43で97.62%、フォレストNet-12で44.51%に達する。
  論文  参考訳（メタデータ） (2024-03-04T14:00:45Z)
• V-DETR: DETR with Vertex Relative Position Encoding for 3D Object Detection [73.37781484123536]
  DETRフレームワークを用いた点雲のための高性能な3次元物体検出器を提案する。 限界に対処するため,新しい3次元相対位置(3DV-RPE)法を提案する。 挑戦的なScanNetV2ベンチマークで例外的な結果を示す。
  論文  参考訳（メタデータ） (2023-08-08T17:14:14Z)
• Patch-wise Features for Blur Image Classification [3.762360672951513]
  本手法により, ぼかしとシャープな画像劣化の区別が可能となる。 オープンデータセットで行った実験では、提案した低計算手法が検証セットの平均精度を90.1%向上することが示された。 提案手法はCPU上のVGG16ベースモデルよりも10倍高速で、入力画像サイズに線形にスケールし、低計算エッジデバイスに実装するのに適している。
  論文  参考訳（メタデータ） (2023-04-06T15:39:11Z)
• Change Detection from Synthetic Aperture Radar Images via Graph-Based Knowledge Supplement Network [36.41983596642354]
  画像変化検出のためのグラフベースの知識補足ネットワーク(GKSNet)を提案する。 より具体的には、既存のラベル付きデータセットから識別情報を付加的な知識として抽出する。 提案手法を検証するために,4つのSARデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-01-22T02:50:50Z)
• RibSeg Dataset and Strong Point Cloud Baselines for Rib Segmentation from CT Scans [62.16198969529679]
  CT(Computed tomography)スキャンにおける手動リブ検査は臨床的に重要であるが、労働集約的である。 公開データセットから490個のCTスキャン(11,719個のリブ)を含むラベル付きリブセグメンテーションベンチマークemphRibSegを開発した。 入力からスパルスボクセルをしきい値とし,リブセグメンテーションのための点群ベースライン法を設計した。
  論文  参考訳（メタデータ） (2021-09-17T16:17:35Z)
• Dataset Distillation with Infinitely Wide Convolutional Networks [18.837952916998947]
  分散カーネルをベースとしたメタラーニングフレームワークを用いて,データセット蒸留の最先端結果を実現する。 CIFAR-10画像分類タスクでは64%以上のテスト精度が得られた。 我々の現状は、MNIST、Fashion-MNIST、CIFAR-10、CIFAR-100、SVHNの他の多くの設定にも及んでいる。
  論文  参考訳（メタデータ） (2021-07-27T18:31:42Z)
• See through Gradients: Image Batch Recovery via GradInversion [103.26922860665039]
  我々は、より大きなバッチからの入力イメージをResNets(50層)のような大規模ネットワークでも復元できるGradInversionを紹介した。 複雑なデータセット、ディープネットワーク、大規模なバッチサイズであっても、GradInversionを通じて、個々のイメージを高い忠実度で復元できるような、驚くほど大量の情報をエンコードする勾配を示す。
  論文  参考訳（メタデータ） (2021-04-15T16:43:17Z)
• Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
  本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。 公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
  論文  参考訳（メタデータ） (2020-12-23T14:38:35Z)
• Learning Delicate Local Representations for Multi-Person Pose Estimation [77.53144055780423]
  我々はResidual Steps Network (RSN) と呼ばれる新しい手法を提案する。 RSNは同じ空間サイズ(イントラレベルの特徴)の機能を効率よく集約し、微妙な局所表現を得る。 当社のアプローチは,COCO Keypoint Challenge 2019で第1位を獲得しました。
  論文  参考訳（メタデータ） (2020-03-09T10:40:49Z)

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。