論文の概要: HAMIL: Hierarchical Aggregation-Based Multi-Instance Learning for
Microscopy Image Classification
- arxiv url: http://arxiv.org/abs/2103.09764v1
- Date: Wed, 17 Mar 2021 16:34:08 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 12:57:34.654033
- Title: HAMIL: Hierarchical Aggregation-Based Multi-Instance Learning for
Microscopy Image Classification
- Title（参考訳）: HAMIL:顕微鏡画像分類のための階層的集約に基づくマルチインスタンス学習
- Authors: Yanlun Tu, Houchao Lei, Wei Long, Yang Yang
- Abstract要約: マルチインスタンス学習はコンピュータビジョンタスク、特にバイオメディカル画像処理において一般的である。
本研究では,マルチインスタンス学習のための階層型アグリゲーションネットワークhamilを提案する。
階層的なアグリゲーションプロトコルは、定義された順序で機能融合を可能にし、単純な畳み込みアグリゲーションユニットは効率的で柔軟なアーキテクチャをもたらす。
- 参考スコア（独自算出の注目度）: 4.566276053984716
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-instance learning is common for computer vision tasks, especially in
biomedical image processing. Traditional methods for multi-instance learning
focus on designing feature aggregation methods and multi-instance classifiers,
where the aggregation operation is performed either in feature extraction or
learning phase. As deep neural networks (DNNs) achieve great success in image
processing via automatic feature learning, certain feature aggregation
mechanisms need to be incorporated into common DNN architecture for
multi-instance learning. Moreover, flexibility and reliability are crucial
considerations to deal with varying quality and number of instances.
In this study, we propose a hierarchical aggregation network for
multi-instance learning, called HAMIL. The hierarchical aggregation protocol
enables feature fusion in a defined order, and the simple convolutional
aggregation units lead to an efficient and flexible architecture. We assess the
model performance on two microscopy image classification tasks, namely protein
subcellular localization using immunofluorescence images and gene annotation
using spatial gene expression images. The experimental results show that HAMIL
outperforms the state-of-the-art feature aggregation methods and the existing
models for addressing these two tasks. The visualization analyses also
demonstrate the ability of HAMIL to focus on high-quality instances.
- Abstract（参考訳）: マルチインスタンス学習はコンピュータビジョンタスク、特にバイオメディカル画像処理において一般的である。
従来のマルチインスタンス学習手法は,特徴抽出と学習フェーズのいずれにおいてもアグリゲーション操作を行うマルチインスタンス分類器の設計に重点を置いている。
ディープニューラルネットワーク(DNN)は、自動特徴学習による画像処理において大きな成功を収めているため、特定の特徴集約メカニズムを、マルチインスタンス学習のための共通DNNアーキテクチャに組み込む必要がある。
さらに、さまざまな品質とインスタンス数を扱うためには、柔軟性と信頼性が重要です。
本研究では,マルチインスタンス学習のための階層型アグリゲーションネットワークhamilを提案する。
階層的なアグリゲーションプロトコルは、定義された順序で機能融合を可能にし、単純な畳み込みアグリゲーションユニットは効率的で柔軟なアーキテクチャをもたらす。
免疫蛍光画像を用いたタンパク質細胞内局在と空間遺伝子発現画像を用いた遺伝子アノテーションの2つの顕微鏡画像分類タスクにおけるモデル性能を評価する。
実験の結果,hamilは最先端の機能集約手法と,これら2つのタスクに対応する既存モデルよりも優れていた。
可視化分析は、ハイクオリティなインスタンスにフォーカスできるhamilの能力も示している。
関連論文リスト
- Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳（メタデータ） (2023-10-06T10:40:46Z) - Convolutional neural network based on sparse graph attention mechanism
for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。
既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。
画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T06:14:22Z) - Multi-domain learning CNN model for microscopy image classification [3.2835754110596236]
顕微鏡画像の分類のためのマルチドメイン学習アーキテクチャを提案する。
計算集約的な従来の方法とは異なり、Mobincepと呼ばれるコンパクトモデルを開発した。
最先端の結果を超え、ラベル付きデータに対して堅牢である。
論文 参考訳（メタデータ） (2023-04-20T19:32:23Z) - Deep Image Clustering with Contrastive Learning and Multi-scale Graph
Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。
複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文 参考訳（メタデータ） (2022-07-14T19:16:56Z) - Learning multi-scale functional representations of proteins from
single-cell microscopy data [77.34726150561087]
局所化分類に基づいて訓練された単純な畳み込みネットワークは、多様な機能情報をカプセル化したタンパク質表現を学習できることを示す。
また,生物機能の異なるスケールでタンパク質表現の質を評価するためのロバストな評価戦略を提案する。
論文 参考訳（メタデータ） (2022-05-24T00:00:07Z) - Multi-level Second-order Few-shot Learning [111.0648869396828]
教師付きまたは教師なしの少数ショット画像分類と少数ショット動作認識のためのマルチレベル2次数列学習ネットワーク(MlSo)を提案する。
我々は、パワーノーマライズされた二階学習者ストリームと、複数のレベルの視覚的抽象化を表現する機能を組み合わせた、いわゆる2階学習者ストリームを活用している。
我々は,Omniglot, mini-ImageNet, tiered-ImageNet, Open MIC, CUB Birds, Stanford Dogs, Cars, HMDB51, UCF101, mini-MITなどのアクション認識データセットなどの標準データセットに対して,優れた結果を示す。
論文 参考訳（メタデータ） (2022-01-15T19:49:00Z) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-10-06T15:29:58Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z)
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。