論文の概要: ISNet: Costless and Implicit Image Segmentation for Deep Classifiers,
with Application in COVID-19 Detection
- arxiv url: http://arxiv.org/abs/2202.00232v1
- Date: Tue, 1 Feb 2022 05:58:01 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 14:48:31.920142
- Title: ISNet: Costless and Implicit Image Segmentation for Deep Classifiers,
with Application in COVID-19 Detection
- Title（参考訳）: ISNet: 深層分類のためのコストレス画像分割と新型コロナウイルス検出への応用
- Authors: Pedro R.A.S. Bassi
- Abstract要約: 本稿では,画像分割の課題を解決するために,新しいディープニューラルネットワーク (DNN) アーキテクチャであるISNetを提案する。
ISNetは、事実上どんな分類ニューラルネットワークアーキテクチャでも、以前セグメンテーションされたように、共通のイメージを分析することができる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In this work we propose a novel deep neural network (DNN) architecture,
ISNet, to solve the task of image segmentation followed by classification,
substituting the common pipeline of two networks by a single model. We designed
the ISNet for high flexibility and performance: it allows virtually any
classification neural network architecture to analyze a common image as if it
had been previously segmented. Furthermore, in relation to the original
classifier, the ISNet does not cause any increment in computational cost or
architectural changes at run-time. To accomplish this, we introduce the concept
of optimizing DNNs for relevance segmentation in heatmaps created by Layer-wise
Relevance Propagation (LRP), which proves to be equivalent to the
classification of previously segmented images. We apply an ISNet based on a
DenseNet121 classifier to solve the task of COVID-19 detection in chest X-rays.
We compare the model to a U-net (performing lung segmentation) followed by a
DenseNet121, and to a standalone DenseNet121. Due to the implicit segmentation,
the ISNet precisely ignored the X-ray regions outside of the lungs; it achieved
94.5 +/-4.1% mean accuracy with an external database, showing strong
generalization capability and surpassing the other models' performances by 6 to
7.9%. ISNet presents a fast and light methodology to perform classification
preceded by segmentation, while also being more accurate than standard
pipelines.
- Abstract（参考訳）: 本研究では,2つのネットワークの共通パイプラインを1つのモデルで置換し,画像分割と分類の課題を解決する新しいディープニューラルネットワーク(dnn)アーキテクチャisnetを提案する。
私たちは、ISNetを高い柔軟性とパフォーマンスのために設計しました。これは、事実上あらゆる分類されたニューラルネットワークアーキテクチャが、まるで以前セグメンテーションされたかのように、共通のイメージを分析することができます。
さらに、元の分類器に関して、ISNetは実行時に計算コストやアーキテクチャの変更を発生させることはない。
そこで本研究では,レイヤワイズ・アソシエーション・プロパゲーション (lrp) によって作成されたヒートマップにおいて,関連性セグメント化のためのdnnを最適化する手法を提案する。
胸部X線におけるCOVID-19検出の課題を解決するために,DenseNet121分類器に基づくISNetを適用した。
DenseNet121 と DenseNet121 を併用した U-net (performing lung segmentation) と,DenseNet121 とを比較した。
暗黙的な分割のため、isnetは肺外のx線領域を正確に無視し、外部データベースによる94.5 +/-4.1%の平均精度を達成し、強力な一般化能力を示し、他のモデルの性能を6から7.9%上回った。
ISNetはセグメント化に先立って分類を行うための高速で軽量な手法を提供するが、標準パイプラインよりも正確である。
関連論文リスト
- Bias of Stochastic Gradient Descent or the Architecture: Disentangling the Effects of Overparameterization of Neural Networks [37.02386277426315]
本稿では,学習ミスをゼロにするランダムネットワークとSGD最適化ネットワークを研究することによって,一般化に影響を与える要因を解消することを目的とする。
実験により, 低試料状態下では, 幅の増大によるパラメータ化が一般化に有用であることが確認された。
深度を増大させるため、パラメータ化は一般化には有害であるが、ランダムおよびSGD最適化ネットワークも同様に振る舞うので、これはアーキテクチャ上のバイアスに起因する。
論文 参考訳（メタデータ） (2024-07-04T11:29:50Z) - Graph Out-of-Distribution Generalization via Causal Intervention [69.70137479660113]
本稿では,ノードレベルの分散シフトの下で頑健なグラフニューラルネットワーク(GNN)をトレーニングするための,概念的に単純だが原則化されたアプローチを提案する。
本手法は,環境推定器と熟練GNN予測器を協調する因果推論に基づく新たな学習目標を提案する。
本モデルでは,様々な分散シフトによる一般化を効果的に向上し,グラフOOD一般化ベンチマーク上での最先端の精度を最大27.4%向上させることができる。
論文 参考訳（メタデータ） (2024-02-18T07:49:22Z) - Faster ISNet for Background Bias Mitigation on Deep Neural Networks [0.4915744683251149]
画像背景のバイアスや刺激的な相関はニューラルネットワークに影響を与え、ショートカット学習を引き起こし、現実世界のデータへの一般化を妨げる。
本稿では,この数からトレーニング時間が独立したアーキテクチャを提案する。
我々は、合成背景バイアスと、一般的に背景バイアスを示すアプリケーションである胸部X線における新型コロナウイルス検出を用いて、提案したアーキテクチャに挑戦する。
論文 参考訳（メタデータ） (2024-01-16T14:49:26Z) - Chasing Fairness in Graphs: A GNN Architecture Perspective [73.43111851492593]
グラフニューラルネットワーク(GNN)の統一最適化フレームワーク内で設計されたtextsfFair textsfMessage textsfPassing(FMP)を提案する。
FMPでは、アグリゲーションがまず隣人の情報を活用するために採用され、バイアス軽減ステップにより、人口集団ノードのプレゼンテーションセンタが明示的に統合される。
ノード分類タスクの実験により、提案されたFMPは、実世界の3つのデータセットの公平性と正確性の観点から、いくつかのベースラインを上回っていることが示された。
論文 参考訳（メタデータ） (2023-12-19T18:00:15Z) - CLAD: A Contrastive Learning based Approach for Background Debiasing [43.0296255565593]
我々は,CNNにおける背景バイアスを軽減するために,対照的な学習に基づくアプローチを導入する。
前回のベンチマークを4.1%で上回り、バックグラウンドチャレンジデータセットで最先端の結果を得た。
論文 参考訳（メタデータ） (2022-10-06T08:33:23Z) - Optimal Propagation for Graph Neural Networks [51.08426265813481]
最適グラフ構造を学習するための二段階最適化手法を提案する。
また、時間的複雑さをさらに軽減するために、低ランク近似モデルについても検討する。
論文 参考訳（メタデータ） (2022-05-06T03:37:00Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Contrasting random and learned features in deep Bayesian linear
regression [12.234742322758418]
本研究では,学習能力が単純なモデルの一般化性能に与える影響について検討する。
すべての層が訓練されたディープネットワークと比較することにより、幅、深さ、データ密度、事前のミスマッチの相互作用を詳細に解析する。
論文 参考訳（メタデータ） (2022-03-01T15:51:29Z) - Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。
ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。
本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T19:08:53Z) - Analytically Tractable Inference in Deep Neural Networks [0.0]
Tractable Approximate Inference (TAGI)アルゴリズムは、浅いフルコネクテッドニューラルネットワークのバックプロパゲーションに対する実行可能でスケーラブルな代替手段であることが示された。
従来のディープニューラルネットワークアーキテクチャをトレーニングするために、TAGIがバックプロパゲーションのパフォーマンスとどのように一致するか、または上回るかを実証しています。
論文 参考訳（メタデータ） (2021-03-09T14:51:34Z) - Learning from Failure: Training Debiased Classifier from Biased
Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。
本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。
本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文 参考訳（メタデータ） (2020-07-06T07:20:29Z)
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。