Fugu-MT 論文翻訳(概要): Lightweight Combinational Machine Learning Algorithm for Sorting Canine Torso Radiographs

論文の概要: Lightweight Combinational Machine Learning Algorithm for Sorting Canine Torso Radiographs

arxiv url: http://arxiv.org/abs/2102.11385v1
Date: Mon, 22 Feb 2021 22:17:33 GMT
ステータス: 処理完了
システム内更新日: 2021-02-24 23:23:24.051019
Title: Lightweight Combinational Machine Learning Algorithm for Sorting Canine Torso Radiographs
Title（参考訳）: 犬のトーソラジオグラフをソートするための軽量複合機械学習アルゴリズム
Authors: Masuda Akter Tonima, Fatemeh Esfahani, Austin Dehart, Youmin Zhang
Abstract要約: 獣医分野は、人間の医療分野で行われた膨大な技術進歩とは対照的に、自動化を欠いています。本稿では,犬歯のx線画像の表示と解剖による分類の自動化から,これらの中核概念を考察する。これはAlexNet、Inception、SqueezeNetに触発された新しい軽量アルゴリズムの開発によって実現される。
参考スコア（独自算出の注目度）: 2.373075745839493
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The veterinary field lacks automation in contrast to the tremendous technological advances made in the human medical field. Implementation of machine learning technology can shorten any step of the automation process. This paper explores these core concepts and starts with automation in sorting radiographs for canines by view and anatomy. This is achieved by developing a new lightweight algorithm inspired by AlexNet, Inception, and SqueezeNet. The proposed module proves to be lighter than SqueezeNet while maintaining accuracy higher than that of AlexNet, ResNet, DenseNet, and SqueezeNet.
Abstract（参考訳）: 獣医分野は、人間の医療分野で行われた膨大な技術進歩とは対照的に、自動化を欠いています。機械学習技術の実装は、自動化プロセスのあらゆるステップを短縮できます。本稿では,犬歯のx線画像の表示と解剖による分類の自動化から,これらの中核概念を考察する。これはAlexNet、Inception、SqueezeNetに触発された新しい軽量アルゴリズムの開発によって実現される。提案されたモジュールは、AlexNet、ResNet、DenseNet、SqueezeNetよりも高い精度を維持しながら、SqueezeNetよりも軽量であることが証明されている。

関連論文リスト

Brain-Inspired Computational Intelligence via Predictive Coding [89.6335791546526]
予測符号化(PC)は、マシンインテリジェンスタスクにおいて有望なパフォーマンスを示している。 PCは様々な脳領域で情報処理をモデル化することができ、認知制御やロボティクスで使用することができる。
論文参考訳（メタデータ） (2023-08-15T16:37:16Z)
The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文参考訳（メタデータ） (2023-06-30T17:59:13Z)
Robotic Navigation Autonomy for Subretinal Injection via Intelligent Real-Time Virtual iOCT Volume Slicing [88.99939660183881]
網膜下注射のための自律型ロボットナビゲーションの枠組みを提案する。提案手法は,機器のポーズ推定方法,ロボットとi OCTシステム間のオンライン登録,およびインジェクションターゲットへのナビゲーションに適した軌道計画から構成される。ブタ前眼の精度と再現性について実験を行った。
論文参考訳（メタデータ） (2023-01-17T21:41:21Z)
Automated Graph Machine Learning: Approaches, Libraries, Benchmarks and Directions [58.220137936626315]
本稿では,グラフ機械学習の自動手法について論じる。当社の専用かつ世界初のグラフ機械学習のためのオープンソースライブラリであるAutoGLを紹介します。また、統一的で再現性があり、効率的な評価をサポートする調整されたベンチマークについて述べる。
論文参考訳（メタデータ） (2022-01-04T18:31:31Z)
Noise-injected analog Ising machines enable ultrafast statistical sampling and machine learning [0.0]
アナログノイズを注入することで,Isingマシンを用いた超高速統計的サンプリングを実現する普遍的な概念を提案する。光電子イジング装置を用いて、ボルツマン分布の正確なサンプリングに使用できることを示した。 We found that Ising machines can perform statistics sample order-of-magnitude than software-based methods。
論文参考訳（メタデータ） (2021-12-21T21:33:45Z)
NetKet 3: Machine Learning Toolbox for Many-Body Quantum Systems [1.0486135378491268]
NetKetは、多体量子物理学のための機械学習ツールボックスである。この新バージョンは、差別化可能なプログラミングと加速線形代数フレームワークであるJAXの上に構築されている。最も重要な新機能は、純粋なPythonコードで任意のニューラルネットワーク ans" を定義することだ。
論文参考訳（メタデータ） (2021-12-20T13:41:46Z)
The Physics of Machine Learning: An Intuitive Introduction for the Physical Scientist [0.0]
この記事では、機械学習アルゴリズムに関する深い洞察を得たいと願う物理科学者を対象としている。まず、エネルギーベースの2つの機械学習アルゴリズム、ホップフィールドネットワークとボルツマンマシンのレビューと、Isingモデルとの関係について述べる。次に、フィードフォワードニューラルネットワーク、畳み込みニューラルネットワーク、オートエンコーダを含む、さらに"実践的"な機械学習アーキテクチャを掘り下げます。
論文参考訳（メタデータ） (2021-11-27T15:12:42Z)
Optimizing Memory Placement using Evolutionary Graph Reinforcement Learning [56.83172249278467]
大規模検索空間を対象とした進化グラフ強化学習(EGRL)を提案する。我々は、推論のために、Intel NNP-Iチップ上で、我々のアプローチを直接訓練し、検証する。また,NNP-Iコンパイラと比較して28～78%の高速化を実現している。
論文参考訳（メタデータ） (2020-07-14T18:50:12Z)
Acoustic Anomaly Detection for Machine Sounds based on Image Transfer Learning [8.828131257265369]
本稿では,伝達学習による音響的故障検出について考察する。我々は、画像分類のタスクで事前訓練されたニューラルネットワークを使用する。 ResNetベースのネットワークから抽出した機能は、AlexNetやSqueezenetよりも優れた結果が得られることがわかった。
論文参考訳（メタデータ） (2020-06-05T13:29:12Z)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。