Fugu-MT 論文翻訳(概要): Parallel Capsule Networks for Classification of White Blood Cells

論文の概要: Parallel Capsule Networks for Classification of White Blood Cells

arxiv url: http://arxiv.org/abs/2108.02644v1
Date: Thu, 5 Aug 2021 14:30:44 GMT
ステータス: 処理完了
システム内更新日: 2021-08-06 14:50:57.584919
Title: Parallel Capsule Networks for Classification of White Blood Cells
Title（参考訳）: 白血球分類のためのパラレルカプセルネットワーク
Authors: Juan P. Vigueras-Guill\'en, Arijit Patra, Ola Engkvist, and Frank Seeliger
Abstract要約: Capsule Networks(CapsNets)は、畳み込みニューラルネットワーク(CNN)の欠点を克服するために提案された機械学習アーキテクチャである。我々は,特定のカプセルを分離するためにネットワークを分岐するという概念を活用する,新しいアーキテクチャであるCapsNetsを提案する。
参考スコア（独自算出の注目度）: 1.5749416770494706
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Capsule Networks (CapsNets) is a machine learning architecture proposed to overcome some of the shortcomings of convolutional neural networks (CNNs). However, CapsNets have mainly outperformed CNNs in datasets where images are small and/or the objects to identify have minimal background noise. In this work, we present a new architecture, parallel CapsNets, which exploits the concept of branching the network to isolate certain capsules, allowing each branch to identify different entities. We applied our concept to the two current types of CapsNet architectures, studying the performance for networks with different layers of capsules. We tested our design in a public, highly unbalanced dataset of acute myeloid leukaemia images (15 classes). Our experiments showed that conventional CapsNets show similar performance than our baseline CNN (ResNeXt-50) but depict instability problems. In contrast, parallel CapsNets can outperform ResNeXt-50, is more stable, and shows better rotational invariance than both, conventional CapsNets and ResNeXt-50.
Abstract（参考訳）: Capsule Networks(CapsNets)は、畳み込みニューラルネットワーク(CNN)の欠点を克服するために提案された機械学習アーキテクチャである。しかし、CapsNetsは主に、画像が小さく、/または識別するオブジェクトが最小のバックグラウンドノイズを持つデータセットでCNNを上回っている。本研究では,特定のカプセルを分離するためにネットワークを分岐するという概念を利用して,各ブランチで異なるエンティティを識別する,新しいアーキテクチャであるCapsNetsを提案する。この概念を現在の2種類のCapsNetアーキテクチャに適用し、カプセル層が異なるネットワークの性能について検討した。急性骨髄性白血病画像(15クラス)を公開,高度にバランスの取れないデータセットで検討した。実験の結果,従来の CapsNet はベースライン CNN (ResNeXt-50) と同等の性能を示したが,不安定性の問題を示した。対照的に、並列CapsNetsはResNeXt-50より優れ、より安定しており、従来のCapsNetsやResNeXt-50よりも回転不変性が高い。

関連論文リスト

RobCaps: Evaluating the Robustness of Capsule Networks against Affine Transformations and Adversarial Attacks [11.302789770501303]
Capsule Networks(CapsNets)は、画像分類タスクのための複数のオブジェクト間のポーズ関係を階層的に保存することができる。本稿では、従来のコナールニューラルネットワーク(CNN)と比較して、CapsNetsの堅牢性に影響を与えるさまざまな要因を評価する。
論文参考訳（メタデータ） (2023-04-08T09:58:35Z)
MogaNet: Multi-order Gated Aggregation Network [64.16774341908365]
我々は,識別的視覚的表現学習のために,MogaNetと呼ばれる現代ConvNetの新たなファミリーを提案する。 MogaNetは概念的に単純だが効果的な畳み込みをカプセル化し、集約をコンパクトモジュールに集約する。 MogaNetは、ImageNetの最先端のViTやConvNetと比較して、優れたスケーラビリティ、パラメータの大幅な効率、競争性能を示している。
論文参考訳（メタデータ） (2022-11-07T04:31:17Z)
Spiking CapsNet: A Spiking Neural Network With A Biologically Plausible Routing Rule Between Capsules [9.658836348699161]
スパイキングニューラルネットワーク(SNN)は、その強力な時間情報表現能力により、多くの注目を集めている。 CapsNetは、さまざまなレベルの組み立てと結合でうまく機能する。ニューラルネットワークのモデリングにカプセルを導入することで、Spking CapsNetを提案する。
論文参考訳（メタデータ） (2021-11-15T14:23:15Z)
Capsule Network is Not More Robust than Convolutional Network [21.55939814377377]
本稿では,イメージ分類によく使用されるConvNetと異なるCapsNetの特殊設計について検討する。研究によると、CapsNetに批判的と思われるいくつかのデザインは、実際にその堅牢性を損なう可能性がある。 CapsNetの成功を支える重要なコンポーネントを導入するだけで、強化されたConvNetsを提案します。
論文参考訳（メタデータ） (2021-03-29T09:47:00Z)
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)
Interpretable Graph Capsule Networks for Object Recognition [17.62514568986647]
我々は,グラフカプセルネットワーク(GraCapsNets)を解釈可能とし,ルーティング部分をマルチヘッドアテンションベースのグラフポーリングアプローチで置き換える。 GraCapsNetsは、CapsNetsと比較して、より少ないパラメータとより良い逆の堅牢性で、より良い分類性能を達成する。
論文参考訳（メタデータ） (2020-12-03T03:18:00Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
iCapsNets: Towards Interpretable Capsule Networks for Text Classification [95.31786902390438]
従来の機械学習手法は容易に解釈できるが、精度は低い。このギャップを埋めるために、解釈可能なカプセルネットワーク(iCapsNets)を提案する。 iCapsNetsは、ローカルとグローバルの両方で解釈できる。
論文参考訳（メタデータ） (2020-05-16T04:11:44Z)
Q-CapsNets: A Specialized Framework for Quantizing Capsule Networks [12.022910298030219]
Capsule Networks(CapsNets)は、従来のCNNと比較して、画像分類のような機械学習タスクにおいて優れた学習能力を持つ。 CapsNetは、非常に厳しい計算を必要とするため、リソース制約のあるエッジデバイスにおいて、元の形式でのデプロイが困難である。本稿では,CapsNetモデルの量子化を初めて試み,その効率的なエッジ実装を実現するために,CapsNetの特殊な量子化フレームワークを開発する。
論文参考訳（メタデータ） (2020-04-15T14:32:45Z)
Improved Residual Networks for Image and Video Recognition [98.10703825716142]
ResNets(Residual Networks)は、CNN(Convolutional Neural Network)アーキテクチャの強力なタイプである。ベースライン上での精度と学習収束性を一貫した改善を示す。提案手法では,高度に深いネットワークをトレーニングできるが,ベースラインは厳密な最適化問題を示す。
論文参考訳（メタデータ） (2020-04-10T11:09:50Z)
Subspace Capsule Network [85.69796543499021]
SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
論文参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。