論文の概要: U-Net Convolutional Network for Recognition of Vessels and Materials in Chemistry Lab

• arxiv url: http://arxiv.org/abs/2109.05585v1
• Date: Sun, 12 Sep 2021 18:54:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-16 09:10:34.125704
• Title: U-Net Convolutional Network for Recognition of Vessels and Materials in Chemistry Lab
• Title（参考訳）: u-net convolutional network for recognition of vessel and materials in chemistry lab (特集 コンボリューションネットワーク)
• Authors: Zhihao Shang and Di Bo
• Abstract要約: U-Net畳み込みネットワークを化学実験室の容器や材料認識に適用した。 87%の精度が得られた。 改良された畳み込みネットワーク構造をモデルに組み込むことで、さらなる改善が達成できるかもしれない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional networks have been widely applied for computer vision system. Encouraged by these results, a U-Net convolutional network was applied to recognition of vessels and materials in chemistry lab using the recent Vector-LabPics dataset, which contains 2187 images of materials within mostly transparent vessels in a chemistry lab and other general settings, labeled with 13 classes. By optimizing hyperparameters including learning rates and learning rate decays, 87% accuracy in vessel recognition was achieved. In the case of relatively small training and test sets (relatively rare materials states, the number of training set samples less than 500 and the number of test set samples less than 100), a comprehensive improvement over 18% in IoU and 19% in accuracy for the best model were achieved. Further improvements may be achievable by incorporating improved convolutional network structure into our models.
• Abstract（参考訳）: 畳み込みネットワークはコンピュータビジョンシステムに広く応用されている。 これらの結果から,最近のvector-labpicsデータセットを用いて,化学実験室の容器や材料の認識にu-net畳み込みネットワークを適用した。 学習速度や学習速度の減衰を含むハイパーパラメータを最適化することにより,血管認識の精度が87%向上した。 比較的小さなトレーニングとテストセット(比較的稀な資料では500未満のトレーニングセットサンプル数と100未満のテストセットサンプル数)の場合,IoUでは18%,ベストモデルでは19%以上の総合的な改善が達成された。 改良された畳み込みネットワーク構造をモデルに組み込むことで、さらなる改善が可能かもしれない。

関連論文リスト

• Large-scale Pretraining Improves Sample Efficiency of Active Learning based Molecule Virtual Screening [3.140895145221042]
  能動的学習とベイズ最適化は、探索空間を狭める効果的な方法として証明されている。 本研究では,ベイズ最適化能動学習フレームワークにおける事前学習型トランスフォーマベース言語モデルとグラフニューラルネットワークの性能について検討した。 最高の事前訓練されたモデルは、99.5百万の化合物を含む超大型ライブラリのわずか0.6%をスクリーニングした後、ドッキングスコアによってトップ50000の58.97%を識別し、以前の最先端ベースラインよりも8%改善した。
  論文  参考訳（メタデータ） (2023-09-20T23:43:42Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Diffused Redundancy in Pre-trained Representations [98.55546694886819]
  事前訓練された表現で機能がどのようにコード化されているか、より詳しく見ていきます。 与えられた層における学習された表現は拡散冗長性を示す。 我々の発見は、事前訓練されたディープニューラルネットワークによって学習された表現の性質に光を当てた。
  論文  参考訳（メタデータ） (2023-05-31T21:00:50Z)
• Severity classification of ground-glass opacity via 2-D convolutional neural network and lung CT scans: a 3-day exploration [0.0]
  グラウンドグラスの不透明度は、COVID-19や肺炎、肺線維症、結核など、多くの肺疾患の指標である。 本稿では,3日間にわたって実施,テストされた概念実証フレームワークについて,第3の課題である「COVID-19コンペティション」による実験的結果を示す。 課題の要件の一部として、このエクササイズ中に生成されたソースコードはhttps://github.com/lisatwyw/cov19.comに投稿されている。
  論文  参考訳（メタデータ） (2023-03-23T22:35:37Z)
• Training a spiking neural network on an event-based label-free flow cytometry dataset [0.7742297876120561]
  本研究では、イベントベースカメラと自由空間光学装置を組み合わせることで、マイクロ流体流路を通過する各粒子のスパイクを求める。 スパイクニューラルネットワークは、収集されたデータセットに基づいてトレーニングされ、97.7%の平均トレーニング精度と93.5%の平均テスト精度が得られる。
  論文  参考訳（メタデータ） (2023-03-19T11:32:57Z)
• A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
  リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
  論文  参考訳（メタデータ） (2023-02-25T09:02:01Z)
• Large Neural Networks Learning from Scratch with Very Few Data and without Regularization [0.0]
  数百万の重みを持つ非常に大きな畳み込みニューラルネットワークが、ほんのわずかのトレーニングサンプルで学習できることを示します。 重量1億4000万のVGG19は、飛行機とバイクの区別を95%の精度で学べる。
  論文  参考訳（メタデータ） (2022-05-18T10:08:28Z)
• Development of an algorithm for medical image segmentation of bone tissue in interaction with metallic implants [58.720142291102135]
  本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。 骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。 ネットワーク精度の面では、モデルは約98%に達した。
  論文  参考訳（メタデータ） (2022-04-22T08:17:20Z)
• Self-distillation with Batch Knowledge Ensembling Improves ImageNet Classification [57.5041270212206]
  本稿では,アンカー画像のためのソフトターゲットを生成するために,BAtch Knowledge Ensembling (BAKE)を提案する。 BAKEは、1つのネットワークだけで複数のサンプルを網羅するオンライン知識を実現する。 既存の知識集合法と比較して計算とメモリのオーバーヘッドは最小限である。
  論文  参考訳（メタデータ） (2021-04-27T16:11:45Z)
• Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
  我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。 マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。 我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
  論文  参考訳（メタデータ） (2020-09-22T11:53:06Z)
• A modified deep convolutional neural network for detecting COVID-19 and pneumonia from chest X-ray images based on the concatenation of Xception and ResNet50V2 [0.0]
  我々は、X線画像を正常、肺炎、COVID-19の3つのクラスに分類する訓練手法を導入し、いくつかの深層畳み込みネットワークを訓練した。 このデータには、新型コロナウイルスに感染した人のX線画像180枚が含まれています。 新型コロナウイルス感染症を検出するためのネットワークの平均精度は99.50%であり、全クラスの平均精度は91.4%である。
  論文  参考訳（メタデータ） (2020-04-17T03:38:39Z)

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。