論文の概要: Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and
Extreme Learning Machines Stabilized by Chimp Optimization Algorithm
- arxiv url: http://arxiv.org/abs/2106.01435v1
- Date: Fri, 14 May 2021 20:04:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 03:52:46.448896
- Title: Real-Time COVID-19 Diagnosis from X-Ray Images Using Deep CNN and
Extreme Learning Machines Stabilized by Chimp Optimization Algorithm
- Title（参考訳）: チンパンジー最適化アルゴリズムによる深部CNNと極端学習マシンを用いたX線画像からのリアルタイムCOVID-19診断
- Authors: Hu Tianqing, Mohammad Khishe, Mokhtar Mohammadi, Gholam-Reza Parvizi,
Sarkhel H. Taher Karim, Tarik A. Rashid
- Abstract要約: 本稿では,胸部X線画像の分類のための新しい2段階アプローチを提案する。
第1フェーズでは、機能抽出器として機能するディープCNNをトレーニングし、第2フェーズでは、リアルタイム検出にELM(Extreme Learning Machines)を使用する。
提案手法は、他の比較ベンチマークの98.25%と99.11%を、COVID-Xray-5kとCOVIDetectioNetデータセットの最終的な精度で上回る。
- 参考スコア（独自算出の注目度）: 3.67350413975883
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Real-time detection of COVID-19 using radiological images has gained priority
due to the increasing demand for fast diagnosis of COVID-19 cases. This paper
introduces a novel two-phase approach for classifying chest X-ray images. Deep
Learning (DL) methods fail to cover these aspects since training and
fine-tuning the model's parameters consume much time. In this approach, the
first phase comes to train a deep CNN working as a feature extractor, and the
second phase comes to use Extreme Learning Machines (ELMs) for real-time
detection. The main drawback of ELMs is to meet the need of a large number of
hidden-layer nodes to gain a reliable and accurate detector in applying image
processing since the detective performance remarkably depends on the setting of
initial weights and biases. Therefore, this paper uses Chimp Optimization
Algorithm (ChOA) to improve results and increase the reliability of the network
while maintaining real-time capability. The designed detector is to be
benchmarked on the COVID-Xray-5k and COVIDetectioNet datasets, and the results
are verified by comparing it with the classic DCNN, Genetic Algorithm optimized
ELM (GA-ELM), Cuckoo Search optimized ELM (CS-ELM), and Whale Optimization
Algorithm optimized ELM (WOA-ELM). The proposed approach outperforms other
comparative benchmarks with 98.25% and 99.11% as ultimate accuracy on the
COVID-Xray-5k and COVIDetectioNet datasets, respectively, and it led relative
error to reduce as the amount of 1.75% and 1.01% as compared to a convolutional
CNN. More importantly, the time needed for training deep ChOA-ELM is only
0.9474 milliseconds, and the overall testing time for 3100 images is 2.937
seconds.
- Abstract（参考訳）: 早期診断の需要が高まり、放射線画像による新型コロナウイルスのリアルタイム検出が優先されている。
本稿では,胸部x線画像の2相分類法を提案する。
ディープラーニング(dl)メソッドは、モデルのパラメータのトレーニングと微調整が多くの時間を消費するため、これらの側面をカバーできない。
このアプローチでは、第1フェーズは機能抽出器として働くディープcnnをトレーニングし、第2フェーズはリアルタイム検出にextreme learning machines(elms)を使用する。
ELMの主な欠点は、初期重みとバイアスの設定に大きく依存するため、画像処理を適用する際に、信頼性が高く正確な検出器を得るために、多数の隠蔽層ノードの必要性を満たすことである。
そこで本論文では,Chimp Optimization Algorithm (ChOA) を用いて結果の改善とネットワークの信頼性向上を図る。
設計された検出器は、COVID-Xray-5kとCOVIDetectioNetデータセットでベンチマークされ、従来のDCNN、GA-ELM、Cuckoo Search Optimization ELM (CS-ELM)、Whale Optimization Algorithm Optimization ELM (WOA-ELM)と比較して検証される。
提案手法は、COVID-Xray-5kデータセットとCOVIDetectioNetデータセットの最終的な精度として98.25%と99.11%の他のベンチマークよりも優れており、畳み込みCNNに比べて1.75%と1.01%の差で相対誤差を減少させた。
さらに重要なことは、深部ChOA-ELMのトレーニングに必要な時間はわずか0.9474ミリ秒であり、3100枚の画像の総合的なテスト時間は2.937秒である。
関連論文リスト
- Optimizing ship detection efficiency in SAR images [12.829941550630776]
船舶検出の速度と計算コストは、違法な漁獲を防ぐための時間的介入に不可欠である。
衛星画像のデータセットを用いて,畳み込みニューラルネットワーク(CNN)に基づく物体検出モデルを訓練した。
分類モデルを用いて、検出モデルの平均精度を44%で99.5%、25%で92.7%に近似できることを示した。
論文 参考訳（メタデータ） (2022-12-12T12:04:10Z) - Early Diagnosis of Retinal Blood Vessel Damage via Deep Learning-Powered
Collective Intelligence Models [0.3670422696827525]
Swarmアルゴリズムのパワーは、タスクに最適なモデルを提供するために、畳み込み層、プーリング層、正規化層の様々な組み合わせを探すために使用される。
最高のTDCNモデルは90.3%、AUC ROCは0.956、Cohenスコアは0.967である。
論文 参考訳（メタデータ） (2022-10-17T21:38:38Z) - Deep Learning Neural Network for Lung Cancer Classification: Enhanced
Optimization Function [28.201018420730332]
本研究の目的は、畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて、全体的な予測精度の向上と、処理時間を短縮することである。
提案手法は,畳み込みニューラルネットワークのプール層におけるマルチスペース画像を用いて,全体の精度を向上させるオートエンコーダシステムと肺がんの予測を行う。
論文 参考訳（メタデータ） (2022-08-05T18:41:17Z) - An Empirical Analysis of Recurrent Learning Algorithms In Neural Lossy
Image Compression Systems [73.48927855855219]
近年のディープラーニングの進歩により、JPEGとJPEG 2000を標準のKodakベンチマークで上回る画像圧縮アルゴリズムが実現している。
本稿では,最近の最先端ハイブリッドニューラル圧縮アルゴリズムの大規模比較を行う。
論文 参考訳（メタデータ） (2022-01-27T19:47:51Z) - ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。
この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。
特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
論文 参考訳（メタデータ） (2021-10-10T09:35:15Z) - Evolving Deep Convolutional Neural Network by Hybrid Sine-Cosine and
Extreme Learning Machine for Real-time COVID19 Diagnosis from X-Ray Images [0.5249805590164902]
ディープ・コンボリューショナル・ネットワーク(CNN)は、COVID-19陽性症例の診断に応用できるツールとみなすことができる。
本稿では,最後の完全接続層ではなく,ELM(Extreme Learning Machine)を用いることを提案する。
提案手法は、COVID-Xray-5kデータセットで98.83%の最終的な精度で比較ベンチマークを上回っている。
論文 参考訳（メタデータ） (2021-05-14T19:40:16Z) - Sample and Computation Redistribution for Efficient Face Detection [137.19388513633484]
トレーニングデータサンプリングと計算分布戦略は、効率的で正確な顔検出の鍵です。
scrfdf34は、最高の競合製品であるTinaFaceを3.86%(ハードセットでのAP)で上回り、GPU上でVGA解像度画像でmph3$times$より高速です。
論文 参考訳（メタデータ） (2021-05-10T23:51:14Z) - Optimal Sequential Detection of Signals with Unknown Appearance and
Disappearance Points in Time [64.26593350748401]
本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。
我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。
FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
論文 参考訳（メタデータ） (2021-02-02T04:58:57Z) - APQ: Joint Search for Network Architecture, Pruning and Quantization
Policy [49.3037538647714]
本稿では,リソース制約のあるハードウェア上での効率的なディープラーニング推論のためのAPQを提案する。
ニューラルアーキテクチャ、プルーニングポリシー、量子化ポリシーを別々に検索する従来の方法とは異なり、我々はそれらを共同で最適化する。
同じ精度で、APQはMobileNetV2+HAQよりもレイテンシ/エネルギーを2倍/1.3倍削減する。
論文 参考訳（メタデータ） (2020-06-15T16:09:17Z) - Communication-Efficient Distributed Stochastic AUC Maximization with
Deep Neural Networks [50.42141893913188]
本稿では,ニューラルネットワークを用いた大規模AUCのための分散変数について検討する。
我々のモデルは通信ラウンドをはるかに少なくし、理論上はまだ多くの通信ラウンドを必要としています。
いくつかのデータセットに対する実験は、我々の理論の有効性を示し、我々の理論を裏付けるものである。
論文 参考訳（メタデータ） (2020-05-05T18:08:23Z) - Accurate Tumor Tissue Region Detection with Accelerated Deep
Convolutional Neural Networks [12.7414209590152]
がん診断のための手動の病理診断は、退屈で反復的である。
我々のアプローチであるFLASHは、ディープ畳み込みニューラルネットワーク(DCNN)アーキテクチャに基づいている。
計算コストを削減し、一般的なディープラーニングアプローチよりも2桁の速さで高速である。
論文 参考訳（メタデータ） (2020-04-18T08:24:27Z)
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。