論文の概要: Boosting Deep Transfer Learning for COVID-19 Classification

• arxiv url: http://arxiv.org/abs/2102.08085v1
• Date: Tue, 16 Feb 2021 11:15:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-17 15:21:44.402579
• Title: Boosting Deep Transfer Learning for COVID-19 Classification
• Title（参考訳）: 新型コロナウイルスの分類のための深層移動学習の促進
• Authors: Fouzia Altaf, Syed M.S. Islam, Naeem K. Janjua, Naveed Akhtar
• Abstract要約: 胸部CTを用いた新型コロナウイルスの分類は現実的に有用である。 限られたCTデータでより正確な新型コロナウイルス分類のためのバニラ転送学習よりも優れた戦略があるかどうかはまだ不明です。 本稿では,タスクの伝達学習において,大幅な性能向上を実現する新しいモデル拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 18.39034705389625
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: COVID-19 classification using chest Computed Tomography (CT) has been found pragmatically useful by several studies. Due to the lack of annotated samples, these studies recommend transfer learning and explore the choices of pre-trained models and data augmentation. However, it is still unknown if there are better strategies than vanilla transfer learning for more accurate COVID-19 classification with limited CT data. This paper provides an affirmative answer, devising a novel `model' augmentation technique that allows a considerable performance boost to transfer learning for the task. Our method systematically reduces the distributional shift between the source and target domains and considers augmenting deep learning with complementary representation learning techniques. We establish the efficacy of our method with publicly available datasets and models, along with identifying contrasting observations in the previous studies.
• Abstract（参考訳）: 胸部CTを用いた新型コロナウイルスの分類はいくつかの研究で実用的に有用であることが確認されている。 注釈付きサンプルがないため、これらの研究は転送学習を推奨し、事前学習されたモデルとデータ拡張の選択を探求する。 しかし、限られたCTデータでより正確な新型コロナウイルス分類のためのバニラ転送学習よりも優れた戦略があるかどうかはまだ不明です。 本論文では,タスクに対する学習の伝達に大幅なパフォーマンス向上を可能にする新しい'モデル'増強手法を考案し,肯定的回答を提供する。 本手法は、ソースとターゲットドメイン間の分布シフトを体系的に低減し、補完表現学習技術による深層学習の強化を検討する。 提案手法の有効性を,従来の研究におけるコントラスト観測と合わせて,利用可能なデータセットとモデルを用いて確立する。

関連論文リスト

• The ART of Transfer Learning: An Adaptive and Robust Pipeline [2.294014185517203]
  本稿では,汎用機械学習アルゴリズムを用いた伝達学習の柔軟なパイプラインであるAdaptive Robust Transfer Learning (ART)を提案する。 我々はARTの非漸近的学習理論を確立し、負の移動を防止しつつ適応的な移動を達成するための証明可能な理論的保証を提供する。 我々は、回帰、分類、スパース学習に関する広範な実証的研究を通じてARTの有望な性能を実証する。
  論文  参考訳（メタデータ） (2023-04-30T16:36:57Z)
• 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)
• Learning to Generate Synthetic Training Data using Gradient Matching and Implicit Differentiation [77.34726150561087]
  本稿では,深層ネットワークの訓練に要するデータ量を削減できる各種データ蒸留技術について検討する。 近年の考え方に触発されて, 生成的学習ネットワーク, 勾配マッチング, インプリシット関数理論に基づく新しいデータ蒸留手法を提案する。
  論文  参考訳（メタデータ） (2022-03-16T11:45:32Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Embedding Transfer with Label Relaxation for Improved Metric Learning [43.94511888670419]
  本稿では,学習した埋め込みモデルの知識を他へ伝達する,新しい埋め込み変換手法を提案する。 本手法は,ソース埋め込み空間のサンプル間の類似性を知識として活用し,対象埋め込みモデルの学習に用いる損失を伝達する。
  論文  参考訳（メタデータ） (2021-03-27T13:35:03Z)
• Learning Invariant Representations across Domains and Tasks [81.30046935430791]
  本稿では,この教師なしタスク転送問題を解決するための新しいタスク適応ネットワーク(tan)を提案する。 ドメイン・アドバーサル・トレーニングによる伝達可能な機能を学習することに加えて、学習から学習への戦略を用いてタスクの意味を適応させる新しいタスク・セマンティクス・アダプタを提案する。 TANは最近の強いベースラインに比べてリコールとF1スコアを5.0%と7.8%大きく向上させた。
  論文  参考訳（メタデータ） (2021-03-03T11:18:43Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• Domain Knowledge Integration By Gradient Matching For Sample-Efficient Reinforcement Learning [0.0]
  本研究では,モデルフリー学習者を支援するために,ダイナミックスからの目標勾配情報を活用することで,サンプル効率を向上させる勾配マッチングアルゴリズムを提案する。 本稿では,モデルに基づく学習者からの勾配情報と,抽象的な低次元空間におけるモデル自由成分とをマッチングする手法を提案する。
  論文  参考訳（メタデータ） (2020-05-28T05:02:47Z)

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。