論文の概要: Efficient Deep Learning Architectures for Fast Identification of Bacterial Strains in Resource-Constrained Devices

• arxiv url: http://arxiv.org/abs/2106.06505v1
• Date: Fri, 11 Jun 2021 16:59:22 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-14 17:18:03.167446
• Title: Efficient Deep Learning Architectures for Fast Identification of Bacterial Strains in Resource-Constrained Devices
• Title（参考訳）: 資源制約デバイスにおける細菌系統の迅速同定のための効率的なディープラーニングアーキテクチャ
• Authors: R. Gallardo Garc\'ia and S. Jarqu\'in Rodr\'iguez and B. Beltr\'an Mart\'inez and C. Hern\'andez Gracidas and R. Mart\'inez Torres
• Abstract要約: 本研究は、細菌の分類問題をDigital Image of bacteriaal Speciesデータセット上で解決するために、12の微調整深層学習アーキテクチャを提案する。 全ての実験は10倍のクロスバリデーションで行われ、トップ1とトップ5の精度、精度、リコール、F1スコアの5つの測定基準で評価された。 総じて、11のアーキテクチャのうち8つはトップ1の精度で0.95点を超え、データ拡張法は0.9738点を最高1の精度で上った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work presents twelve fine-tuned deep learning architectures to solve the bacterial classification problem over the Digital Image of Bacterial Species Dataset. The base architectures were mainly published as mobile or efficient solutions to the ImageNet challenge, and all experiments presented in this work consisted of making several modifications to the original designs, in order to make them able to solve the bacterial classification problem by using fine-tuning and transfer learning techniques. This work also proposes a novel data augmentation technique for this dataset, which is based on the idea of artificial zooming, strongly increasing the performance of every tested architecture, even doubling it in some cases. In order to get robust and complete evaluations, all experiments were performed with 10-fold cross-validation and evaluated with five different metrics: top-1 and top-5 accuracy, precision, recall, and F1 score. This paper presents a complete comparison of the twelve different architectures, cross-validated with the original and the augmented version of the dataset, the results are also compared with several literature methods. Overall, eight of the eleven architectures surpassed the 0.95 scores in top-1 accuracy with our data augmentation method, being 0.9738 the highest top-1 accuracy. The impact of the data augmentation technique is reported with relative improvement scores.
• Abstract（参考訳）: 本研究は、細菌の分類問題をDigital Image of bacteriaal Species Dataset上で解決するために、12の微調整深層学習アーキテクチャを提案する。 基本アーキテクチャは、主にimagenetチャレンジのモバイルまたは効率的なソリューションとして出版され、本研究で提示された全ての実験は、微調整と転送学習技術を用いて細菌分類問題を解決するために、元の設計にいくつかの修正を加えることであった。 また、このデータセットのための新しいデータ拡張手法を提案する。これは人工ズームのアイデアに基づいており、テスト済みアーキテクチャ全体のパフォーマンスを強力に向上させ、場合によっては倍増することもある。 頑健で完全な評価を得るために、すべての実験は10倍のクロスバリデーションで行われ、トップ1とトップ5の精度、精度、リコール、F1スコアの5つの異なる指標で評価された。 本稿では,データセットの原文と拡張版とを交差した12の異なるアーキテクチャの完全な比較を行い,その結果をいくつかの文献的手法と比較する。 総じて、11のアーキテクチャのうち8つはトップ1の精度で0.95点を超え、データ拡張法は0.9738点を最高1の精度で上った。 データ拡張技術の影響を相対的な改善スコアで報告する。

関連論文リスト

• Comparative Analysis and Ensemble Enhancement of Leading CNN Architectures for Breast Cancer Classification [0.0]
  本研究は,病理組織像を用いた乳癌分類への新規かつ正確なアプローチを提案する。 さまざまな画像データセット間で、主要な畳み込みニューラルネットワーク(CNN)モデルを体系的に比較する。 そこで本研究では,スタンドアロンCNNモデルにおいて,例外的分類精度を実現するために必要な設定について検討した。
  論文  参考訳（メタデータ） (2024-10-04T11:31:43Z)
• Efficient Pruning of Large Language Model with Adaptive Estimation Fusion [45.423001839959156]
  本稿では,各サブ構造の重要性を適応的にモデル化する簡易かつ効率的な手法を提案する。 複雑な構造と多層構造の結果に基づいて、粗粒度と細粒度の推定を適応的に融合させることができる。 その結果,LLaMa-7B,Vicuna-7B,Baichuan-7B,Bloom-7b1の平均精度は1.1%,1.02%,2.0%,1.2%向上した。
  論文  参考訳（メタデータ） (2024-03-16T04:12:50Z)
• One-for-All: Bridge the Gap Between Heterogeneous Architectures in Knowledge Distillation [69.65734716679925]
  知識蒸留は,教師が指導する学習手法を通じて,モデル性能を向上させる上で,極めて効果的な手法であることが証明されている。 既存の蒸留法のほとんどは、教師と生徒のモデルが同じモデルファミリーに属するという前提で設計されている。 我々は, ヘテロジニアスアーキテクチャ間の蒸留性能を大幅に向上させる, OFA-KDという, 単純で効果的な一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元一元
  論文  参考訳（メタデータ） (2023-10-30T11:13:02Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Minimizing the Accumulated Trajectory Error to Improve Dataset Distillation [151.70234052015948]
  本稿では,フラットな軌道を求める最適化アルゴリズムを提案する。 合成データに基づいてトレーニングされた重みは、平坦な軌道への正規化を伴う累積誤差摂動に対して頑健であることを示す。 本手法はFTD (Flat Trajectory Distillation) と呼ばれ, 勾配整合法の性能を最大4.7%向上させる。
  論文  参考訳（メタデータ） (2022-11-20T15:49:11Z)
• A new baseline for retinal vessel segmentation: Numerical identification and correction of methodological inconsistencies affecting 100+ papers [0.0]
  得られた性能スコアのコヒーレンスに関する詳細な数値解析を行った。 視野の使用に関する報告結果に矛盾が認められた。 これまでに達成された最高精度はFoV領域の0.9582であり、これは人間のアノテーションよりも1%高い。
  論文  参考訳（メタデータ） (2021-11-06T11:09:11Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)
• Augmentation Strategies for Learning with Noisy Labels [3.698228929379249]
  ノイズラベル付き学習」問題に取り組むアルゴリズムについて,様々な拡張戦略を評価した。 ロスモデリングタスクと学習のための別のセットに拡張の1つのセットを使用することが最も効果的であることがわかります。 我々は,この拡張戦略を最先端技術に導入し,評価されたすべての騒音レベルにおける性能向上を実証する。
  論文  参考訳（メタデータ） (2021-03-03T02:19:35Z)
• Balanced Symmetric Cross Entropy for Large Scale Imbalanced and Noisy Data [8.883228967540402]
  ディープ畳み込みニューラルネットワークは、大規模視覚分類タスクにおいて多くの注目を集めている。 本稿では,大規模製品認識タスクのための多種多様な深層畳み込みニューラルネットワークアーキテクチャについて検討する。
  論文  参考訳（メタデータ） (2020-07-03T11:24:43Z)
• Deep transfer learning for improving single-EEG arousal detection [63.52264764099532]
  2つのデータセットは、単一のEEGモデルでパフォーマンスが低下する原因となる、まったく同じ設定を含んでいない。 単チャンネル脳波データのためのアーキテクチャを構築するために,ベースラインモデルをトレーニングし,最初の2層を置き換える。 細調整戦略を用いて,本モデルはベースラインモデルと同等の性能を示し,同等の単一チャネルモデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-10T16:51:06Z)
• DeeperForensics-1.0: A Large-Scale Dataset for Real-World Face Forgery Detection [93.24684159708114]
  DeeperForensics-1.0は、これまでで最大の顔偽造検出データセットであり、合計で1760万フレームの6万本のビデオで構成されている。 生成されたビデオの品質は、既存のデータセットよりも優れており、ユーザ研究によって検証されている。 このベンチマークには隠れたテストセットがあり、人間の評価において高い認識スコアを達成する操作されたビデオを含んでいる。
  論文  参考訳（メタデータ） (2020-01-09T14:37:17Z)

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。