論文の概要: Tackling Inter-Class Similarity and Intra-Class Variance for Microscopic Image-based Classification

• arxiv url: http://arxiv.org/abs/2109.11891v1
• Date: Fri, 24 Sep 2021 11:17:02 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-27 14:10:56.779827
• Title: Tackling Inter-Class Similarity and Intra-Class Variance for Microscopic Image-based Classification
• Title（参考訳）: 微視的画像ベース分類のためのクラス間類似性とクラス内分散
• Authors: Aishwarya Venkataramanan, Martin Laviale, C\'ecile Figus, Philippe Usseglio-Polatera, C\'edric Pradalier
• Abstract要約: クラス間の類似性とクラス間の差異が誤分類の原因となると考えられる。 本稿では,視覚的特徴に基づいて,クラスを高い分散度で分割することで,それを説明することを提案する。 提案アルゴリズムは,作成したサブクラスの最適な数を自動的に決定し,各サブクラスを個別のトレーニングクラスとみなす。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic classification of aquatic microorganisms is based on the morphological features extracted from individual images. The current works on their classification do not consider the inter-class similarity and intra-class variance that causes misclassification. We are particularly interested in the case where variance within a class occurs due to discrete visual changes in microscopic images. In this paper, we propose to account for it by partitioning the classes with high variance based on the visual features. Our algorithm automatically decides the optimal number of sub-classes to be created and consider each of them as a separate class for training. This way, the network learns finer-grained visual features. Our experiments on two databases of freshwater benthic diatoms and marine plankton show that our method can outperform the state-of-the-art approaches for classification of these aquatic microorganisms.
• Abstract（参考訳）: 水生微生物の自動分類は、個々の画像から抽出した形態的特徴に基づいている。 分類に関する現在の研究は、クラス間の類似性や誤分類を引き起こすクラス内分散を考慮していない。 特に、顕微鏡画像の離散的な視覚変化によってクラス内のばらつきが発生する場合に関心がある。 本稿では,視覚特徴に基づいてクラスを高いばらつきで分割することにより,それを説明することを提案する。 提案アルゴリズムは,作成したサブクラスの最適な数を自動的に決定し,各サブクラスを個別のトレーニングクラスとみなす。 このようにして、ネットワークはきめ細かい視覚的特徴を学習する。 淡水性底生珪藻と海洋プランクトンの2つのデータベースを用いた実験により,本手法は,これらの水生微生物の分類に関する最先端のアプローチに勝ることが示された。

関連論文リスト

• CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification [1.9574002186090493]
  広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。 2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
  論文  参考訳（メタデータ） (2023-12-12T04:38:30Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification [31.539129126161978]
  本稿では,まれな皮膚疾患の診断における精度を高めるためのサブクラスタ・アウェア・ネットワーク(SCAN)という新しいアプローチを提案する。 SCANの設計を動機づける重要な洞察は、クラス内の皮膚疾患の画像が複数のサブクラスタを示すことが多いという観察である。 数発の皮膚疾患分類のための2つのパブリックデータセットに対する提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-07-03T16:06:04Z)
• Interpretable and Interactive Deep Multiple Instance Learning for Dental Caries Classification in Bitewing X-rays [6.98282810587309]
  本稿では,深層複数インスタンス学習に基づくシンプルで効率的な画像分類アーキテクチャを提案する。 まず、画像レベルの弱いラベルで訓練されているにもかかわらず、局所的なパッチ分類確率のヒートマップを出力する。 既存の手法とは対照的に、人間のユーザは予測を忠実に解釈し、モデルと対話してどのリージョンに参加するかを決定することができる。
  論文  参考訳（メタデータ） (2021-12-17T14:09:27Z)
• Boosting few-shot classification with view-learnable contrastive learning [19.801016732390064]
  埋め込み空間の細粒度構造を学習するために,数ショットの分類に対照的な損失を導入する。 我々は,同じ画像の異なるビューを自動的に生成する学習学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-07-20T03:13:33Z)
• Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
  低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。 本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。 提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
  論文  参考訳（メタデータ） (2021-05-01T13:19:02Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
  皮膚病変画像の自動分類のための2段階の枠組みを提案する。 第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。 第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
  論文  参考訳（メタデータ） (2020-04-14T22:46:20Z)
• Automatic image-based identification and biomass estimation of invertebrates [70.08255822611812]
  時間を要する分類と分類は、どれだけの昆虫を処理できるかに強い制限を課す。 我々は、人間の専門家による分類と識別の標準的な手動アプローチを、自動画像ベース技術に置き換えることを提案する。 分類タスクには最先端のResnet-50とInceptionV3 CNNを使用する。
  論文  参考訳（メタデータ） (2020-02-05T21:38:57Z)

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。