論文の概要: A New Pairwise Deep Learning Feature For Environmental Microorganism
Image Analysis
- arxiv url: http://arxiv.org/abs/2102.12147v1
- Date: Wed, 24 Feb 2021 09:14:06 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-25 13:30:41.263070
- Title: A New Pairwise Deep Learning Feature For Environmental Microorganism
Image Analysis
- Title（参考訳）: 環境微生物画像解析のための新しいペアワイズ深層学習機能
- Authors: Frank Kulwa, Chen Li, Jinghua Zhang, Kimiaki Shirahama, Sergey Kosov,
Xin Zhao, Hongzan Sun, Tao Jiang, Marcin Grzegorzek
- Abstract要約: 微生物を解析するための新しいペアワイズ深層学習機能を提案します。
結果は99.17%、91.34%、91.32%、91.48%、99.56%である。
- 参考スコア（独自算出の注目度）: 19.87084378357245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Environmental microorganism (EM) offers a high-efficient, harmless, and
low-cost solution to environmental pollution. They are used in sanitation,
monitoring, and decomposition of environmental pollutants. However, this
depends on the proper identification of suitable microorganisms. In order to
fasten, low the cost, increase consistency and accuracy of identification, we
propose the novel pairwise deep learning features to analyze microorganisms.
The pairwise deep learning features technique combines the capability of
handcrafted and deep learning features. In this technique we, leverage the Shi
and Tomasi interest points by extracting deep learning features from patches
which are centered at interest points locations. Then, to increase the number
of potential features that have intermediate spatial characteristics between
nearby interest points, we use Delaunay triangulation theorem and straight-line
geometric theorem to pair the nearby deep learning features. The potential of
pairwise features is justified on the classification of EMs using SVMs, k-NN,
and Random Forest classifier. The pairwise features obtain outstanding results
of 99.17%, 91.34%, 91.32%, 91.48%, and 99.56%, which are the increase of about
5.95%, 62.40%, 62.37%, 61.84%, and 3.23% in accuracy, F1-score, recall,
precision, and specificity respectively, compared to non-paired deep learning
features.
- Abstract（参考訳）: 環境微生物は、環境汚染に対する高効率で無害で低コストな解決策を提供する。
環境汚染物質の衛生、モニタリング、分解に使用されます。
しかし、これは適切な微生物の適切な同定に依存する。
高速、低コスト、一貫性、識別精度を高めるために、新しいペアワイズ深層学習機能を提案し、微生物を分析します。
ペアワイズ深層学習機能技術は、手作りと深層学習の機能を組み合わせたものである。
本手法では,関心点を中心にしたパッチから深層学習特徴を抽出することで,shiとtomasiの関心点を活用する。
そして、近傍の興味点間の中間空間特性を持つポテンシャル特徴の数を増やすために、ドローネー三角定理と直線幾何学定理を用いて、近傍の深層学習特徴をペアリングする。
対特徴のポテンシャルは、SVM、k-NN、ランダムフォレスト分類器を用いたEMの分類に基づいて正当化される。
このペアワイズの特徴は、99.17%、91.34%、91.32%、91.48%、99.56%の顕著な結果を得ており、これは約5.95%、62.40%、62.37%、61.84%、精度3.23%、F1スコア、リコール、精度、特異性である。
関連論文リスト
- Disentangling CLIP Features for Enhanced Localized Understanding [58.73850193789384]
提案するUnmix-CLIPは,相互特徴情報(MFI)の低減と特徴の絡み合いの改善を目的とした新しいフレームワークである。
COCO-14データセットでは、Unmix-CLIPは機能の類似性を24.9%削減している。
論文 参考訳（メタデータ） (2025-02-05T08:20:31Z) - Kolmogorov-Arnold Networks in Low-Data Regimes: A Comparative Study with Multilayer Perceptrons [2.77390041716769]
Kolmogorov-Arnold Networks (KAN) は、ネットワークエッジ上で直接、高度に柔軟な学習可能なアクティベーション関数を使用する。
kanは学習可能なパラメータの数を大幅に増加させ、データスカース環境での有効性に対する懸念を高めます。
個別化活性化関数はパラメータの緩やかな増加だけで予測精度が大幅に向上することを示す。
論文 参考訳（メタデータ） (2024-09-16T16:56:08Z) - Toward Automated Detection of Microbleeds with Anatomical Scale
Localization: A Complete Clinical Diagnosis Support Using Deep Learning [7.935250296491891]
脳微小出血(CMBs)は、脳組織の小さな血液産物の慢性的な沈着物である。
本稿では,CMBを検出するだけでなく,解剖学的位置を知らせる新しい3次元ディープラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-06-22T16:29:46Z) - Fuzzy Attention Neural Network to Tackle Discontinuity in Airway
Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。
いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。
本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文 参考訳（メタデータ） (2022-09-05T16:38:13Z) - Segmentation of Weakly Visible Environmental Microorganism Images Using
Pair-wise Deep Learning Features [7.837413642215894]
本研究では,Pairwise Deep Learning Feature Network (PDLF-Net)を提案する。
PDLFを使用することで、各画像の対角深層学習機能をベースモデルのSegNetの異なるブロックに結合することにより、ネットワークはフォアグラウンド(EM)にもっと集中することができる。
PDLF-Netは89.24%、63.20%、77.27%、35.15%、89.72%、91.44%、89.30%という優れたセグメンテーション結果を達成する。
論文 参考訳（メタデータ） (2022-08-31T16:37:52Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - G-DetKD: Towards General Distillation Framework for Object Detectors via
Contrastive and Semantic-guided Feature Imitation [49.421099172544196]
そこで本研究では,すべてのピラミッドレベルにまたがる特徴ペア間のソフトマッチングを自動的に行う,意味誘導型特徴模倣手法を提案する。
また,異なる特徴領域間の関係で符号化された情報を効果的に捉えるために,コントラスト蒸留を導入する。
本手法は,(1)フレームワークのコンポーネントを別々に使用した場合に,既存の検出KD技術よりも優れた性能を発揮する。
論文 参考訳（メタデータ） (2021-08-17T07:44:27Z) - The Connection Between Approximation, Depth Separation and Learnability
in Neural Networks [70.55686685872008]
学習可能性と近似能力の関係について検討する。
対象関数の深いネットワークでの学習性は、より単純なクラスがターゲットを近似する能力に依存することを示す。
論文 参考訳（メタデータ） (2021-01-31T11:32:30Z) - A Novel Approach to Radiometric Identification [68.8204255655161]
本稿では,CAPoNeFの特徴工学的手法を用いて,高精度なラジオメトリック同定が可能であることを実証する。
SDRで収集した実験データに基づいて,基本的なML分類アルゴリズムを検証した。
論文 参考訳（メタデータ） (2020-12-02T10:54:44Z) - PointIso: Point Cloud Based Deep Learning Model for Detecting
Arbitrary-Precision Peptide Features in LC-MS Map through Attention Based
Segmentation [5.495506445661776]
PointIsoは、ペプチドの特徴検出の問題を解決するために、ポイントクラウドベースの任意の精度のディープラーニングネットワークである。
ベンチマークデータセットにおいて、高品質なMS/MS識別を98%検出する。
論文 参考訳（メタデータ） (2020-09-15T17:34:14Z) - Improving Self-Organizing Maps with Unsupervised Feature Extraction [0.0]
自己組織化マップ(SOM)は脳にインスパイアされた神経モデルであり、教師なし学習に非常に有望である。
本稿では,生データの代わりに抽出した特徴を用いてSOM性能を向上させることを提案する。
我々は,SOM分類を+6.09%改善し,教師なし画像分類における最先端性能を得る。
論文 参考訳（メタデータ） (2020-09-04T13:19:24Z)
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。