Fugu-MT 論文翻訳(概要): TE-YOLOF: Tiny and efficient YOLOF for blood cell detection

論文の概要: TE-YOLOF: Tiny and efficient YOLOF for blood cell detection

arxiv url: http://arxiv.org/abs/2108.12313v1
Date: Fri, 27 Aug 2021 14:45:27 GMT
ステータス: 処理完了
システム内更新日: 2021-08-30 14:24:10.493466
Title: TE-YOLOF: Tiny and efficient YOLOF for blood cell detection
Title（参考訳）: TE-YOLOF:血液細胞検出のためのタイニーで効率的なYOLOF
Authors: Fanxin Xu, Xiangkui Li, Hang Yang, Yali Wang, Wei Xiang
Abstract要約: 顕微鏡画像における血液細胞検出は、医用画像処理研究の不可欠な分野である。本研究では, 赤血球, 白血球, 血小板などの血液細胞物体を検出するために, YOLOFに基づく物体検出法が提案されている。効率性と柔軟性を向上させるため、提案したオブジェクト検出器のバックボーンとして、EfficientNet Convolutional Neural Networkが使用される。
参考スコア（独自算出の注目度）: 26.463853328783962
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Blood cell detection in microscopic images is an essential branch of medical image processing research. Since disease detection based on manual checking of blood cells is time-consuming and full of errors, testing of blood cells using object detectors with Deep Convolutional Neural Network can be regarded as a feasible solution. In this work, an object detector based on YOLOF has been proposed to detect blood cell objects such as red blood cells, white blood cells and platelets. This object detector is called TE-YOLOF, Tiny and Efficient YOLOF, and it is a One-Stage detector using dilated encoder to extract information from single-level feature maps. For increasing efficiency and flexibility, the EfficientNet Convolutional Neural Network is utilized as the backbone for the proposed object detector. Furthermore, the Depthwise Separable Convolution is applied to enhance the performance and minimize the parameters of the network. In addition, the Mish activation function is employed to increase the precision. Extensive experiments on the BCCD dataset prove the effectiveness of the proposed model, which is more efficient than other existing studies for blood cell detection.
Abstract（参考訳）: 顕微鏡画像における血液細胞検出は、医用画像処理研究の不可欠な分野である。血液細胞の手動チェックに基づく疾患の検出は時間を要するため、深層畳み込みニューラルネットワークを用いた物体検出器を用いた血液細胞の検査は実現可能な解決策と考えられる。本研究では, 赤血球, 白血球, 血小板などの血液細胞物体を検出するために, YOLOFに基づく物体検出法が提案されている。この物体検出器はTE-YOLOF、Tiny、Efficient YOLOFと呼ばれ、拡張エンコーダを用いて単一レベルの特徴マップから情報を抽出するワンステージ検出器である。効率性と柔軟性を向上させるため、提案したオブジェクト検出器のバックボーンとして、EfficientNet Convolutional Neural Networkが使用される。さらに,ネットワークの性能向上とパラメータの最小化のために,奥行き分離可能な畳み込みを適用した。また、マイシュ活性化関数を用いて精度を向上させる。 BCCDデータセットの大規模な実験は、既存の血液細胞検出研究よりも効率的である提案モデルの有効性を証明している。

関連論文リスト

Transforming Blood Cell Detection and Classification with Advanced Deep Learning Models: A Comparative Study [2.3942577670144423]
本研究は,Roboflowデータに基づいて訓練されたYOLOv10モデルを用いて,様々なエポックに640×640ピクセルの画像を再現した。その結果,トレーニングエポックの増大は,特にリアルタイムな血液細胞検出・分類において,精度,精度,リコールを著しく向上させることが明らかとなった。
論文参考訳（メタデータ） (2024-10-21T06:23:13Z)
CAF-YOLO: A Robust Framework for Multi-Scale Lesion Detection in Biomedical Imagery [0.0682074616451595]
CAF-YOLOは、畳み込みニューラルネットワーク(CNN)とトランスフォーマーの強みを活用する、医学的対象検出のための、巧妙で堅牢な方法である。 ACFMモジュールはグローバル機能とローカル機能の両方のモデリングを強化し、長期的な機能依存のキャプチャを可能にする。 MSNNは多様なスケールにまたがる特徴を抽出することで、マルチスケールの情報集約を改善する。
論文参考訳（メタデータ） (2024-08-04T01:44:44Z)
Analysis of Modern Computer Vision Models for Blood Cell Classification [49.1574468325115]
この研究では、MaxVit、EfficientVit、EfficientNet、EfficientNetV2、MobileNetV3といった最先端アーキテクチャを使用して、迅速かつ正確な結果を得る。本手法は,従来の手法の速度と精度の懸念に対処するだけでなく,血液学的解析における革新的な深層学習モデルの適用性についても検討する。
論文参考訳（メタデータ） (2024-06-30T16:49:29Z)
SIRST-5K: Exploring Massive Negatives Synthesis with Self-supervised Learning for Robust Infrared Small Target Detection [53.19618419772467]
単一フレーム赤外線小ターゲット検出(SIRST)は、乱雑な背景から小さなターゲットを認識することを目的としている。 Transformerの開発に伴い、SIRSTモデルのスケールは常に増大している。赤外線小ターゲットデータの多彩な多様性により,本アルゴリズムはモデル性能と収束速度を大幅に改善する。
論文参考訳（メタデータ） (2024-03-08T16:14:54Z)
$\textit{A Contrario}$ Paradigm for YOLO-based Infrared Small Target Detection [0.9374652839580183]
YOLO検出器のトレーニングに$textita contrario$ decision criterionを導入する。後者は、textitunexpectedness$の小さなターゲットを利用して、それらを複雑な背景から識別する。
論文参考訳（メタデータ） (2024-02-03T23:02:02Z)
ADA-YOLO: Dynamic Fusion of YOLOv8 and Adaptive Heads for Precise Image Detection and Diagnosis [0.9804179673817571]
本稿では,注目に基づく機構をYOLOv8アーキテクチャと統合した,軽量かつ効果的な医療オブジェクト検出手法であるADA-YOLOを提案する。提案手法は,テキスト適応型ヘッドモジュールによるコンピュータビジョンタスクの動的特徴ローカライゼーションと並列回帰を利用する。
論文参考訳（メタデータ） (2023-12-14T18:27:13Z)
Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。提案手法は平均精度(MAP)を約45.7%向上させる。この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文参考訳（メタデータ） (2023-11-21T19:49:13Z)
CST-YOLO: A Novel Method for Blood Cell Detection Based on Improved YOLOv7 and CNN-Swin Transformer [3.8952128960495638]
血液細胞検出はコンピュータビジョンにおける典型的な小規模物体検出問題である。 YOLOv7アーキテクチャに基づく血液細胞検出のためのCST-YOLOモデルを提案し,それをCNN-Swin Transformer (CST) で拡張する。実験の結果,提案したCST-YOLOはそれぞれ92.7%,95.6%,91.1%のmAP@0.5が得られた。
論文参考訳（メタデータ） (2023-06-26T10:55:22Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文参考訳（メタデータ） (2020-11-24T01:53:39Z)
BiDet: An Efficient Binarized Object Detector [96.19708396510894]
本稿では,効率的な物体検出のためのバイナライズニューラルネットワークのBiDetを提案する。我々のBiDetは、冗長除去による物体検出にバイナリニューラルネットワークの表現能力を完全に活用している。我々の手法は、最先端のバイナリニューラルネットワークを大きなマージンで上回る。
論文参考訳（メタデータ） (2020-03-09T08:16:16Z)

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。