論文の概要: Virus-MNIST: Machine Learning Baseline Calculations for Image Classification

• arxiv url: http://arxiv.org/abs/2111.02375v1
• Date: Wed, 3 Nov 2021 17:44:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 14:34:17.682758
• Title: Virus-MNIST: Machine Learning Baseline Calculations for Image Classification
• Title（参考訳）: Virus-MNIST:画像分類のための機械学習ベースライン計算
• Authors: Erik Larsen, Korey MacVittie, and John Lilly
• Abstract要約: Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。 ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Virus-MNIST data set is a collection of thumbnail images that is similar in style to the ubiquitous MNIST hand-written digits. These, however, are cast by reshaping possible malware code into an image array. Naturally, it is poised to take on a role in benchmarking progress of virus classifier model training. Ten types are present: nine classified as malware and one benign. Cursory examination reveals unequal class populations and other key aspects that must be considered when selecting classification and pre-processing methods. Exploratory analyses show possible identifiable characteristics from aggregate metrics (e.g., the pixel median values), and ways to reduce the number of features by identifying strong correlations. A model comparison shows that Light Gradient Boosting Machine, Gradient Boosting Classifier, and Random Forest algorithms produced the highest accuracy scores, thus showing promise for deeper scrutiny.
• Abstract（参考訳）: Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。 しかし、これらは可能なマルウェアコードを画像配列に再構成することでキャストされる。 当然のことながら、ウイルス分類器モデルの訓練の進捗をベンチマークする役割を担っている。 10種類あり、9種類がマルウェア、1種類が良性である。 帰納試験は、分類と前処理の方法を選択する際に考慮すべき不等級人口やその他の重要な側面を明らかにする。 探索分析は、集約メトリクス(ピクセルの中央値など)や、強い相関を識別することで特徴の数を減らす方法から、識別可能な特性を示す。 モデルの比較により、光勾配ブースティングマシン、勾配ブースティング分類器、ランダムフォレストアルゴリズムが最も精度の高いスコアを示し、より深い精査が期待できることを示した。

関連論文リスト

• Knee or ROC [0.0]
  自己注意変換器は、より小さなデータセットによる画像分類の精度を実証している。 そこで我々は, 膝法を用いて, アドホックベースでしきい値を決定する計算精度について検討した。
  論文  参考訳（メタデータ） (2024-01-14T23:25:44Z)
• High-resolution Image-based Malware Classification using Multiple Instance Learning [0.0]
  本稿では,高解像度グレースケール画像と複数インスタンス学習を用いて,マルウェアを家族に分類する方法を提案する。 この実装はMicrosoft Malware Classificationデータセットで評価され、反対に拡大されたサンプルに対して最大96.6%のアキュラシーを達成している。
  論文  参考訳（メタデータ） (2023-11-21T18:11:26Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Vision-Language Modelling For Radiological Imaging and Reports In The Low Data Regime [70.04389979779195]
  本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。 本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。 テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
  論文  参考訳（メタデータ） (2023-03-30T18:20:00Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
  従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。 マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。 また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-27T11:25:35Z)
• Intrusion Detection: Machine Learning Baseline Calculations for Image Classification [0.0]
  サイバーセキュリティは、機械学習の適用によって強化できる。 最も期待できる候補は、ライトマシン、ランダムフォレストブースト、エクストラツリーズである。
  論文  参考訳（メタデータ） (2021-11-03T17:49:38Z)
• Classification of Viral Pneumonia X-ray Images with the Aucmedi Framework [0.0]
  我々はAUCMEDIフレームワークを用いて深部神経ネットワークを訓練し、胸部X線画像を正常またはウイルス性肺炎と分類する。 Grad-CAMとLIMEの説明可能な人工知能(XAI)アルゴリズムを用いて、予測に最も重要な画像特徴を視覚化する。
  論文  参考訳（メタデータ） (2021-10-03T14:57:43Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Malware Detection Using Frequency Domain-Based Image Visualization and Deep Learning [16.224649756613655]
  画像分類によるマルウェアの検出と可視化を行う新しい手法を提案する。 実行可能なバイナリは、離散コサイン変換ドメイン内のバイトのNグラム(N=2)のカウントから得られるグレースケール画像として表現される。 浅いニューラルネットワークは分類のために訓練され、その精度は転送学習を用いて訓練されるresnetのようなディープネットワークアーキテクチャと比較される。
  論文  参考訳（メタデータ） (2021-01-26T06:07:46Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。