論文の概要: TATL: Task Agnostic Transfer Learning for Skin Attributes Detection

• arxiv url: http://arxiv.org/abs/2104.01641v1
• Date: Sun, 4 Apr 2021 16:24:51 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 03:48:49.210812
• Title: TATL: Task Agnostic Transfer Learning for Skin Attributes Detection
• Title（参考訳）: TATL: 皮膚属性検出のためのタスク非依存的伝達学習
• Authors: Duy M. H. Nguyen, Thu T. Nguyen, Huong Vu, Quang Pham, Manh-Duy Nguyen, Binh T. Nguyen, Daniel Sonntag
• Abstract要約: Task Agnostic Transfer Learning (TATL)は、皮膚科医のスキンケアコンテキストにおける行動に動機づけられた新しいフレームワークです。 TATLは、病変皮膚領域を検出する属性非依存セグメンタを学習し、その知識を属性固有の分類器のセットに転送し、それぞれの領域の属性を検出する。 我々は,2つの一般的な皮膚属性検出ベンチマーク上でTATLを広範囲に評価し,TATLが最小限のモデルと計算複雑性を享受しながら最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.472189202445894
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Existing skin attributes detection methods usually initialize with a pre-trained Imagenet network and then fine-tune the medical target task. However, we argue that such approaches are suboptimal because medical datasets are largely different from ImageNet and often contain limited training samples. In this work, we propose Task Agnostic Transfer Learning (TATL), a novel framework motivated by dermatologists' behaviors in the skincare context. TATL learns an attribute-agnostic segmenter that detects lesion skin regions and then transfers this knowledge to a set of attribute-specific classifiers to detect each particular region's attributes. Since TATL's attribute-agnostic segmenter only detects abnormal skin regions, it enjoys ample data from all attributes, allows transferring knowledge among features, and compensates for the lack of training data from rare attributes. We extensively evaluate TATL on two popular skin attributes detection benchmarks and show that TATL outperforms state-of-the-art methods while enjoying minimal model and computational complexity. We also provide theoretical insights and explanations for why TATL works well in practice.
• Abstract（参考訳）: 既存の皮膚属性検出方法は、通常、トレーニング済みのイメージネットネットワークで初期化し、医療目標タスクを微調整する。 しかし、医療データセットはImageNetと大きく異なり、限られたトレーニングサンプルを含むことが多いため、このようなアプローチは準最適であると論じる。 本研究では,皮膚科領域における皮膚科医の行動に動機付けられる新しい枠組みであるタスク・アグノスティック・トランスファー・ラーニング(TATL)を提案する。 TATLは、病変皮膚領域を検出する属性非依存セグメンタを学習し、その知識を属性固有の分類器のセットに転送し、それぞれの領域の属性を検出する。 TATLの属性非依存セグメンタは異常な皮膚領域のみを検出するため、すべての属性から十分なデータを取得し、特徴間の知識の伝達を可能にし、稀な属性からのトレーニングデータの欠如を補う。 我々は,2つの一般的な皮膚属性検出ベンチマーク上でTATLを広範囲に評価し,TATLが最小限のモデルと計算複雑性を享受しながら最先端の手法より優れていることを示す。 tatlが実際に機能する理由に関する理論的洞察や説明も提供しています。

関連論文リスト

• AKGNet: Attribute Knowledge-Guided Unsupervised Lung-Infected Area Segmentation [25.874281336821685]
  肺疾患の重症度を評価するためには, 肺感染症領域のセグメンテーションが重要である。 肺に感染した領域を非教師的に分類するための新しい属性知識誘導フレームワークを提案する。 AKGNetは、テキスト属性知識の学習、属性イメージ間の融合、高信頼に基づく擬似ラベル探索を容易にする。
  論文  参考訳（メタデータ） (2024-04-17T02:36:02Z)
• Exploiting Semantic Attributes for Transductive Zero-Shot Learning [97.61371730534258]
  ゼロショット学習は、視覚的特徴と、そのクラスから学んだ意味的属性の関係を一般化することにより、目に見えないクラスを認識することを目的としている。 本稿では,未知データの意味的属性を生成し,生成過程に付加する新しいZSL法を提案する。 5つの標準ベンチマーク実験により,本手法がゼロショット学習の最先端結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-03-17T09:09:48Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Tyger: Task-Type-Generic Active Learning for Molecular Property Prediction [121.97742787439546]
  分子の性質を正確に予測する方法は、AIによる薬物発見において重要な問題である。 アノテーションのコストを削減するため,注釈付けのための最も代表的で情報性の高いデータのみを選択するために,深層能動学習法が開発された。 本稿では,異なるタイプの学習タスクを統一的に処理できるタスク型汎用能動的学習フレームワーク(Tyger)を提案する。
  論文  参考訳（メタデータ） (2022-05-23T12:56:12Z)
• A Comprehensive Study of Image Classification Model Sensitivity to Foregrounds, Backgrounds, and Visual Attributes [58.633364000258645]
  このデータセットをRIVAL10と呼びます。 本研究では,前景,背景,属性の騒音劣化に対する幅広いモデルの感度を評価する。 本稿では,多種多様な最先端アーキテクチャ (ResNets, Transformers) とトレーニング手順 (CLIP, SimCLR, DeiT, Adversarial Training) について考察する。
  論文  参考訳（メタデータ） (2022-01-26T06:31:28Z)
• Skin lesion segmentation and classification using deep learning and handcrafted features [0.0]
  我々は、ハイブリッド機能と呼ばれる新しいタイプの画像特徴を作成し、単一のメソッド機能よりも識別能力が強い。 我々のモデルは92.3%のバランスの取れたマルチクラス精度を実現しており、これはディープラーニングのための典型的な単一手法アーキテクチャよりも6.8%良い。
  論文  参考訳（メタデータ） (2021-12-20T02:45:42Z)
• Make an Omelette with Breaking Eggs: Zero-Shot Learning for Novel Attribute Synthesis [65.74825840440504]
  我々は,ZSLA(Zero Shot Learning for Attributes)を提案する。 提案手法は,新しい属性の検出器をゼロショット学習方式で合成することができる。 提案手法は,Caltech-UCSD Birds-200-2011データセット上の32個の属性のみを用いて,他の207個の新しい属性を合成することができる。
  論文  参考訳（メタデータ） (2021-11-28T15:45:54Z)
• Attention-Enhanced Cross-Task Network for Analysing Multiple Attributes of Lung Nodules in CT [10.164261744114645]
  肺結節の発芽,発芽,石灰化などの視覚特性の特徴は,がん管理において重要である。 複数の属性をスコアする最新のメソッドは、ディープラーニングベースのマルチタスク学習スキームに依存しています。 本研究では,新しい畳み込みニューラルネットワーク(CNN)ベースのMTLモデルを用いて,これらの課題に対処する。
  論文  参考訳（メタデータ） (2021-03-05T20:33:12Z)
• Renal Cell Carcinoma Detection and Subtyping with Minimal Point-Based Annotation in Whole-Slide Images [3.488702792183152]
  全スライド画像からラベルのないデータを取得するのは、ずっと簡単かつ安価です。 半教師付き学習(SSL)は、ラベルのないデータを利用する効果的な方法である。 癌領域を正確に検出するためにSSL方式を用いるフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-12T14:12:07Z)

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。