論文の概要: A New Gastric Histopathology Subsize Image Database (GasHisSDB) for
Classification Algorithm Test: from Linear Regression to Visual Transformer
- arxiv url: http://arxiv.org/abs/2106.02473v1
- Date: Fri, 4 Jun 2021 13:19:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-07 15:01:50.717562
- Title: A New Gastric Histopathology Subsize Image Database (GasHisSDB) for
Classification Algorithm Test: from Linear Regression to Visual Transformer
- Title（参考訳）: 分類アルゴリズムテストのための新しい胃病理組織学サブサイズ画像データベース(gashissdb):線形回帰から視覚トランスフォーマーへ
- Authors: Weiming Hu, Chen Li, Xiaoyan Li, Haoyuan Chen, Wanli Liu, Changhao
Sun, Marcin Grzegorzek
- Abstract要約: GasHisSDBは、245196の画像を持つ新しい胃病理組織分類画像データベースである。
GasHisSDBは画像分類を評価する機能を実現する。
- 参考スコア（独自算出の注目度）: 28.887895206611155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: GasHisSDB is a New Gastric Histopathology Subsize Image Database with a total
of 245196 images. GasHisSDB is divided into 160*160 pixels sub-database,
120*120 pixels sub-database and 80*80 pixels sub-database. GasHisSDB is made to
realize the function of valuating image classification. In order to prove that
the methods of different periods in the field of image classification have
discrepancies on GasHisSDB, we select a variety of classifiers for evaluation.
Seven classical machine learning classifiers, three CNN classifiers and a novel
transformer-based classifier are selected for testing on image classification
tasks. GasHisSDB is available at the
URL:https://github.com/NEUhwm/GasHisSDB.git.
- Abstract（参考訳）: GasHisSDBは、245196の画像を持つ新しい胃病理組織分類画像データベースである。
GasHisSDBは160*160ピクセルのサブデータベース、120*120ピクセルのサブデータベース、80*80ピクセルのサブデータベースに分けられる。
GasHisSDBは画像分類を評価する機能を実現する。
画像分類の分野で異なる期間の手法がGasHisSDBに相違があることを証明するために,評価のための様々な分類器を選択する。
画像分類タスクをテストするため、7つの古典的機械学習分類器、3つのCNN分類器、新しいトランスフォーマーベースの分類器が選択される。
GasHisSDBは:https://github.com/NEUhwm/GasHisSDB.git.comで利用できる。
関連論文リスト
- Few-Shot Anomaly Detection via Category-Agnostic Registration Learning [65.64252994254268]
既存のほとんどの異常検出方法は、各カテゴリに専用のモデルを必要とする。
この記事では、新しい数ショットAD(FSAD)フレームワークを提案する。
これは新しいカテゴリーのモデル微調整を必要としない最初のFSAD法である。
論文 参考訳（メタデータ） (2024-06-13T05:01:13Z) - Self-supervision for medical image classification: state-of-the-art
performance with ~100 labeled training samples per class [0.0]
ラベルを含まない自己蒸留法(DINO)における自己教師型DLの性能を解析した。
我々は,3つの画像モダリティとデータセットに対して,最先端の分類性能を実現する。
論文 参考訳（メタデータ） (2023-04-11T11:51:50Z) - Stable Attribute Group Editing for Reliable Few-shot Image Generation [88.59350889410794]
本稿では,編集ベースのフレームワークであるAttribute Group Editing (AGE) について述べる。
下流分類におけるGAN生成画像では,クラス不整合が一般的な問題であることがわかった。
我々は,SAGEの下流分類性能を,画素および周波数成分の増大により向上させることを提案する。
論文 参考訳（メタデータ） (2023-02-01T01:51:47Z) - Using a Conditional Generative Adversarial Network to Control the
Statistical Characteristics of Generated Images for IACT Data Analysis [55.41644538483948]
画像のプロパティの値に応じて、画像を複数のクラスに分割し、新しい画像を生成する際に必要なクラスを指定する。
大気圧チェレンコフ望遠鏡(IACT)の画像の場合、重要な点は全画像ピクセル(画像サイズ)の明るさである。
我々は,TAIGA-IACT実験で得られた画像と類似した画像を生成するために,cGAN技術を使用した。
論文 参考訳（メタデータ） (2022-11-28T22:30:33Z) - Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。
我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。
私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文 参考訳（メタデータ） (2022-10-15T13:30:12Z) - Weakly-supervised Generative Adversarial Networks for medical image
classification [1.479639149658596]
Weakly-Supervised Generative Adversarial Networks (WSGAN) と呼ばれる新しい医用画像分類アルゴリズムを提案する。
WSGANは、ラベルのない少数の実画像のみを使用して、偽画像やマスク画像を生成し、トレーニングセットのサンプルサイズを拡大する。
ラベル付きデータやラベルなしデータの少ない使用により,WSGANは比較的高い学習性能が得られることを示す。
論文 参考訳（メタデータ） (2021-11-29T15:38:48Z) - Transform and Bitstream Domain Image Classification [2.4366811507669124]
本稿では,概念実証法として2つの方法を提案する。
第1はJPEG画像変換領域(DCT変換データ)内を分類し、第2はJPEG圧縮されたバイナリビットストリームを直接分類する。
Caltech C101データベースを分類すると、Top-1の精度は約70%と60%に達した。
論文 参考訳（メタデータ） (2021-10-13T14:18:58Z) - Scalable Reverse Image Search Engine for NASAWorldview [0.6524460254566903]
研究者たちは、何十年にもわたって未ラベルの衛星画像に数週間を費やしています。
インタラクティブでスケーラブルで高速な画像類似性検索エンジンを開発し、ラベルのないデータセットを自動でシャフトする。
論文 参考訳（メタデータ） (2021-08-10T07:03:00Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳（メタデータ） (2020-05-08T02:16:17Z) - Radon cumulative distribution transform subspace modeling for image
classification [18.709734704950804]
画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。
この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。
テスト精度の向上に加えて,計算効率の向上も示す。
論文 参考訳（メタデータ） (2020-04-07T19:47:26Z)
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。