論文の概要: CUAB: Convolutional Uncertainty Attention Block Enhanced the Chest X-ray Image Analysis

• arxiv url: http://arxiv.org/abs/2105.01840v1
• Date: Wed, 5 May 2021 02:28:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-06 21:07:24.369240
• Title: CUAB: Convolutional Uncertainty Attention Block Enhanced the Chest X-ray Image Analysis
• Title（参考訳）: CUAB: 胸部X線画像解析を強化した畳み込み不確実性注意ブロック
• Authors: Chi-Shiang Wang, Fang-Yi Su, Tsung-Lu Michael Lee, Yi-Shan Tsai, Jung-Hsien Chiang
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、様々な画像認識アプリケーションにうまく実装されている。 我々は,不確実性情報を利用してcnnモデルを改善する新しい畳み込み不確実性注意ブロック(cuab)を開発した。 提案モジュールは,コンピュータビジョンタスクにおける特徴マップ上の不確実領域から潜在的な情報を検出する。
• 参考スコア（独自算出の注目度）: 0.3149883354098941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, convolutional neural networks (CNNs) have been successfully implemented to various image recognition applications, such as medical image analysis, object detection, and image segmentation. Many studies and applications have been working on improving the performance of CNN algorithms and models. The strategies that aim to improve the performance of CNNs can be grouped into three major approaches: (1) deeper and wider network architecture, (2) automatic architecture search, and (3) convolutional attention block. Unlike approaches (1) and (2), the convolutional attention block approach is more flexible with lower cost. It enhances the CNN performance by extracting more efficient features. However, the existing attention blocks focus on enhancing the significant features, which lose some potential features in the uncertainty information. Inspired by the test time augmentation and test-time dropout approaches, we developed a novel convolutional uncertainty attention block (CUAB) that can leverage the uncertainty information to improve CNN-based models. The proposed module discovers potential information from the uncertain regions on feature maps in computer vision tasks. It is a flexible functional attention block that can be applied to any position in the convolutional block in CNN models. We evaluated the CUAB with notable backbone models, ResNet and ResNeXt, on a medical image segmentation task. The CUAB achieved a dice score of 73% and 84% in pneumonia and pneumothorax segmentation, respectively, thereby outperforming the original model and other notable attention approaches. The results demonstrated that the CUAB can efficiently utilize the uncertainty information to improve the model performance.
• Abstract（参考訳）: 近年、畳み込みニューラルネットワーク(CNN)は、医用画像解析、物体検出、画像分割など、さまざまな画像認識アプリケーションにうまく実装されている。 多くの研究と応用がCNNアルゴリズムとモデルの性能改善に取り組んでいる。 CNNの性能向上を目的とした戦略は,(1)より深いネットワークアーキテクチャ,(2)アーキテクチャの自動探索,(3)進化的注意ブロックの3つの主要なアプローチに分類することができる。 アプローチ(1)と(2)とは異なり、畳み込み注意ブロックアプローチは低コストでより柔軟である。 より効率的な特徴を抽出することで、CNNのパフォーマンスを向上させる。 しかし、既存の注意ブロックは重要な機能の拡張に焦点を当てており、不確実性情報の潜在的な特徴が失われている。 テスト時間拡張とテスト時間ドロップアウトのアプローチに触発されて,不確実性情報を利用してcnnベースのモデルを改善する新しい畳み込み不確実性注意ブロック(cuab)を開発した。 提案モジュールは,コンピュータビジョンタスクにおける特徴マップ上の不確実領域から潜在的な情報を検出する。 これはcnnモデルにおける畳み込みブロックの任意の位置に適用できる柔軟な機能的注意ブロックである。 医用画像分割作業において,CUABをResNetとResNeXtの著名なバックボーンモデルを用いて評価した。 cuabは肺炎の73%, 肺炎の84%, 気胸のセグメンテーションでは84%のdiceスコアを得た。 その結果,CUABは不確実性情報を有効利用し,モデル性能を向上させることができた。

関連論文リスト

• BetterNet: An Efficient CNN Architecture with Residual Learning and Attention for Precision Polyp Segmentation [0.6062751776009752]
  本研究では,ポリプセグメンテーションの精度を高めるために,残差学習と注意法を組み合わせた畳み込みニューラルネットワークアーキテクチャであるBetterNetを提案する。 BetterNetは、ポリープの検出と癌の早期認識を強化するために、コンピュータ支援診断技術を統合することを約束している。
  論文  参考訳（メタデータ） (2024-05-05T21:08:49Z)
• Multi-path Convolutional Neural Networks Efficiently Improve Feature Extraction in Continuous Adventitious Lung Sound Detection [0.19573380763700707]
  CNN-BiGRU (Convolutional-bidirectional gated Recurrent Unit) を用いて, 吸入, 吸入, 持続的不定音 (CAS) , 連続的不連続的不定音 (discontinuous adventitious Sound) を記録レベルで検出した。 CNN層のネットワークアーキテクチャの変更を最小限に抑える3つの戦略について検討した。 その結果,提案したアーキテクチャ修正モデルでCAS検出の改善が認められた。
  論文  参考訳（メタデータ） (2021-07-09T05:55:57Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
  畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。 この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。 我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
  論文  参考訳（メタデータ） (2020-12-20T23:24:31Z)
• Convolutional Neural Networks for Multispectral Image Cloud Masking [7.812073412066698]
  畳み込みニューラルネットワーク(CNN)は多くの画像分類タスクの最先端技術であることが証明されている。 Proba-Vマルチスペクトル画像のクラウドマスキングにおける異なるCNNアーキテクチャの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-09T21:33:20Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• Learning Shape Features and Abstractions in 3D Convolutional Neural Networks for Detecting Alzheimer's Disease [0.0]
  本論文では,アルツハイマー病を検出するための3D ConvNets による学習形状の特徴と抽象化について検討した。 異なるモデルのLRP関連マップでは、どの部位が分類決定に関連しているかが明らかにされた。 最後に,畳み込み型オートエンコーダからの伝達学習を実施し,入力パッチによるトレーニングサンプル数の増加が学習機能やモデル性能を向上させるかを確認した。
  論文  参考訳（メタデータ） (2020-09-10T17:41:03Z)
• Temporal Distinct Representation Learning for Action Recognition [139.93983070642412]
  2次元畳み込みニューラルネットワーク (2D CNN) はビデオの特徴付けに用いられる。 ビデオの異なるフレームは同じ2D CNNカーネルを共有しており、繰り返し、冗長な情報利用をもたらす可能性がある。 本稿では,異なるフレームからの特徴の識別チャネルを段階的にエキサイティングにするためのシーケンシャルチャネルフィルタリング機構を提案し,繰り返し情報抽出を回避する。 本手法は,ベンチマーク時相推論データセットを用いて評価し,それぞれ2.4%,1.3%の可視性向上を実現している。
  論文  参考訳（メタデータ） (2020-07-15T11:30:40Z)

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。