論文の概要: What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors

• arxiv url: http://arxiv.org/abs/2203.01825v1
• Date: Wed, 2 Mar 2022 10:13:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-05 13:42:34.978381
• Title: What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors
• Title（参考訳）: 医用画像における伝達学習の課題 : 特徴再利用とその他の要因
• Authors: Christos Matsoukas, Johan Fredin Haslum, Moein Sorkhei, Magnus S\"oderberg, Kevin Smith
• Abstract要約: 医学領域への転帰学習が有用であるか否かは,どの要因が決定されるかは定かではない。 転送学習,データサイズ,モデルのキャパシティと帰納バイアス,およびソースとターゲットドメイン間の距離の関係について検討する。
• 参考スコア（独自算出の注目度）: 1.5207770161985628
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Transfer learning is a standard technique to transfer knowledge from one domain to another. For applications in medical imaging, transfer from ImageNet has become the de-facto approach, despite differences in the tasks and image characteristics between the domains. However, it is unclear what factors determine whether - and to what extent - transfer learning to the medical domain is useful. The long-standing assumption that features from the source domain get reused has recently been called into question. Through a series of experiments on several medical image benchmark datasets, we explore the relationship between transfer learning, data size, the capacity and inductive bias of the model, as well as the distance between the source and target domain. Our findings suggest that transfer learning is beneficial in most cases, and we characterize the important role feature reuse plays in its success.
• Abstract（参考訳）: 転校学習は知識をある領域から別の領域に移す標準的な技術である。 医療画像の分野では、ドメイン間のタスクやイメージ特性の違いにもかかわらず、ImageNetからの転送がデファクトなアプローチになっている。 しかし、医学領域への転校学習が有用かどうか、どの程度の要因が決定されるかは明らかではない。 ソースドメインの機能が再利用されるという長年の前提は、最近疑問視されている。 いくつかの医用画像ベンチマークデータセットにおける一連の実験を通じて、転送学習、データサイズ、モデルの容量と帰納バイアス、およびソースとターゲット領域の間の距離の関係について検討する。 その結果,転校学習はたいていの場合有益であり,機能再利用が成功に果たす役割を特徴付ける。

関連論文リスト

• Revisiting Hidden Representations in Transfer Learning for Medical Imaging [2.4545492329339815]
  7つの医学分類課題について,ImageNetとRadImageNetを比較した。 その結果,ImageNetとRadImageNetは直感とは対照的に,異なる中間表現に収束する可能性が示唆された。 その結果, ネットワーク間の微調整前後の類似性は, 性能向上と相関しないことがわかった。
  論文  参考訳（メタデータ） (2023-02-16T13:04:59Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Supervised Transfer Learning at Scale for Medical Imaging [8.341246672632582]
  現代的手法が医療画像の転送学習の運命を変えることができるかどうかを検討する。 Kolesnikovらによって提示された大規模な事前訓練されたネットワークのクラスを研究します。 3つの多様なイメージングタスクで 自然画像から医用画像へ移行する性質のいくつかは、実際には極めて有効であるが、十分な規模で実行された場合にのみ有効である。
  論文  参考訳（メタデータ） (2021-01-14T23:55:49Z)
• DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image Segmentation on Unseen Datasets [96.92018649136217]
  対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。 私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。 本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
  論文  参考訳（メタデータ） (2020-10-13T07:28:39Z)
• What is being transferred in transfer learning? [51.6991244438545]
  事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。 事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
  論文  参考訳（メタデータ） (2020-08-26T17:23:40Z)
• Universal Model for Multi-Domain Medical Image Retrieval [88.67940265012638]
  医用画像検索(MIR)は、医師が類似した患者のデータを素早く見つけるのに役立つ。 MIRはデジタル画像モダリティの多用により、ますます役に立ちつつある。 しかし、病院における様々なデジタル画像モダリティの人気もまた、MIRにいくつかの課題をもたらしている。
  論文  参考訳（メタデータ） (2020-07-14T23:22:04Z)
• Adversarially-Trained Deep Nets Transfer Better: Illustration on Image Classification [53.735029033681435]
  トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。 本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-11T22:48:42Z)
• How Much Off-The-Shelf Knowledge Is Transferable From Natural Images To Pathology Images? [36.009216029815555]
  近年の研究では、病理画像解析において自然画像から得られる知識を再利用するために転写学習を活用している。 本稿では,特定のレイヤによる知識獲得を定量化するためのフレームワークを提案する。 初期の層によって生成される一般的な表現は、様々な画像分類アプリケーションで伝達された知識を伝達する。
  論文  参考訳（メタデータ） (2020-04-24T21:29:10Z)
• Explicit Domain Adaptation with Loosely Coupled Samples [85.9511585604837]
  本稿では,ドメイン間の明示的なマッピングを学習するトランスファーラーニングフレームワークを提案する。 その解釈可能性のために、これは自律運転のような安全クリティカルなアプリケーションにとって有益である。
  論文  参考訳（メタデータ） (2020-04-24T21:23:45Z)

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。