論文の概要: Unsupervised Medical Image Alignment with Curriculum Learning

• arxiv url: http://arxiv.org/abs/2102.10438v1
• Date: Sat, 20 Feb 2021 20:26:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-23 14:59:40.526313
• Title: Unsupervised Medical Image Alignment with Curriculum Learning
• Title（参考訳）: カリキュラム学習による教師なし医用画像アライメント
• Authors: Mihail Burduja, Radu Tudor Ionescu
• Abstract要約: 変形可能な3次元医用画像登録作業において、畳み込みニューラルネットワークを訓練するための異なるカリキュラム学習方法を検討する。 基礎となる最先端のディープラーニングモデルを用いた実験により,カリキュラム学習が従来の学習よりも優れた結果をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 16.72680081620203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We explore different curriculum learning methods for training convolutional neural networks on the task of deformable pairwise 3D medical image registration. To the best of our knowledge, we are the first to attempt to improve performance by training medical image registration models using curriculum learning, starting from an easy training setup in the first training stages, and gradually increasing the complexity of the setup. On the one hand, we consider two existing curriculum learning approaches, namely curriculum dropout and curriculum by smoothing. On the other hand, we propose a novel and simple strategy to achieve curriculum, namely to use purposely blurred images at the beginning, then gradually transit to sharper images in the later training stages. Our experiments with an underlying state-of-the-art deep learning model show that curriculum learning can lead to superior results compared to conventional training.
• Abstract（参考訳）: 変形可能な3次元医用画像登録作業において、畳み込みニューラルネットワークを訓練するための異なるカリキュラム学習方法を検討する。 我々の知識を最大限に活用するため,我々は,第1訓練段階における簡単なトレーニングセットアップから始めて,カリキュラム学習を用いて医用画像登録モデルをトレーニングし,徐々にセットアップの複雑さを高めることで,パフォーマンスの向上を試みている。 一方、カリキュラムのドロップアウトとスムージングによるカリキュラムの2つの既存のカリキュラム学習アプローチを検討します。 一方,本論文では,初回から故意にぼやけた画像を使い,後回しの訓練段階に徐々にシャープな画像に移行していくという,新鮮で簡単なカリキュラム作成手法を提案する。 基礎となる最先端のディープラーニングモデルを用いた実験により,カリキュラム学習が従来の学習よりも優れた結果をもたらすことを示す。

関連論文リスト

• From Prototypes to General Distributions: An Efficient Curriculum for Masked Image Modeling [11.634154932876719]
  Masked Image Modelingは視覚表現学習のための強力な自己教師型学習パラダイムとして登場した。 本稿では,原典例からデータセットのより複雑なバリエーションまで,学習プロセスの進行を構造化する,プロトタイプ駆動型カリキュラム学習フレームワークを提案する。 本研究は, 自己指導型視覚学習において, トレーニング事例の順序を慎重に制御することが重要な役割を担っていることを示唆している。
  論文  参考訳（メタデータ） (2024-11-16T03:21:06Z)
• EfficientTrain++: Generalized Curriculum Learning for Efficient Visual Backbone Training [79.96741042766524]
  訓練カリキュラムをソフトセレクション機能として再構築する。 自然画像の内容の露光は,データ拡張の強度によって容易に達成できることを示す。 結果のメソッドであるEfficientTrain++は単純で汎用的だが驚くほど効果的である。
  論文  参考訳（メタデータ） (2024-05-14T17:00:43Z)
• See Through the Fog: Curriculum Learning with Progressive Occlusion in Medical Imaging [15.382184404673389]
  ディープラーニングモデルは、重要な特徴が部分的に、あるいは完全に排除された、困難なイメージに苦しむことが多い。 本稿では,隠蔽された医用画像の処理を効果的に行うために,ディープラーニングモデルを訓練するためのカリキュラムベースの新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-06-27T15:53:20Z)
• Adapt and Align to Improve Zero-Shot Sketch-Based Image Retrieval [85.39613457282107]
  スケッチに基づく画像検索のクロスドメイン性は困難である。 重要な課題に対処する効果的なAdaptとAlignのアプローチを提案する。 ゼロショットシナリオにおける画像テキスト基盤モデル(例えばCLIP)の最近の進歩に触発されて、学習したイメージの埋め込みを、より意味的なテキスト埋め込みと明確に整合させ、見知らぬクラスから見つからないクラスへの所望の知識伝達を実現する。
  論文  参考訳（メタデータ） (2023-05-09T03:10:15Z)
• Procedural Image Programs for Representation Learning [62.557911005179946]
  我々は,2万プログラムからなる大規模なデータセットを用いて,多様な合成画像を生成する訓練を提案する。 これらのプログラムは短いコードスニペットであり、変更が容易で、高速に実行することができる。 提案したデータセットは、教師付きおよび教師なしの表現学習の両方に使用することができ、実際の画像と手続き的に生成された画像との事前学習のギャップを38%削減する。
  論文  参考訳（メタデータ） (2022-11-29T17:34:22Z)
• EfficientTrain: Exploring Generalized Curriculum Learning for Training Visual Backbones [80.662250618795]
  本稿では視覚バックボーン(例えば視覚変換器)の効率的なトレーニングのための新しいカリキュラム学習手法を提案する。 オフザシェルフ方式として、様々な人気モデルのウォールタイムトレーニングコストを、精度を犠牲にすることなく、ImageNet-1K/22Kで1.5倍に削減する。
  論文  参考訳（メタデータ） (2022-11-17T17:38:55Z)
• Curriculum Meta-Learning for Few-shot Classification [1.5039745292757671]
  本稿では,最新のメタ学習技術に適用可能なカリキュラム学習フレームワークの適応性を提案する。 数発の画像分類タスクにおけるMAMLアルゴリズムによる実験は,カリキュラムの学習フレームワークにおいて有意な効果を示した。
  論文  参考訳（メタデータ） (2021-12-06T10:29:23Z)
• Spatial Transformer Networks for Curriculum Learning [6.107943372244105]
  我々は,Spatial Transformer Networks (STNs) からインスピレーションを得て,容易にハードなカリキュラムを構築する。 乱雑なMNISTとFashion-MNISTデータセットについて様々な実験を行った。
  論文  参考訳（メタデータ） (2021-08-22T12:04:55Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Curriculum DeepSDF [85.03886488645873]
  本研究では,連続署名距離関数(SDF)の形状,すなわちCurriculum DeepSDFを学習するための「形状カリキュラム」を設計する。 人間の学習の仕方にインスパイアされたCurriculum DeepSDFは、次の2つの基準(表面精度とサンプル難易度)に従って、学習の順に学習タスクを編成する。 実験結果から,DeepSDFと同じトレーニングデータ,トレーニングエポック,ネットワークアーキテクチャを用いて,慎重に設計したカリキュラムにより,より優れた形状復元が可能であることが示唆された。
  論文  参考訳（メタデータ） (2020-03-19T06:40:59Z)

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。