論文の概要: Exploration of Various Deep Learning Models for Increased Accuracy in
Automatic Polyp Detection
- arxiv url: http://arxiv.org/abs/2203.04093v1
- Date: Fri, 4 Mar 2022 04:03:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-10 12:18:03.475830
- Title: Exploration of Various Deep Learning Models for Increased Accuracy in
Automatic Polyp Detection
- Title(参考訳): 自動ポリープ検出における精度向上のための各種深層学習モデルの探索
- Authors: Ariel E. Isidro, Arnel C. Fajardo, Alexander A. Hernandez
- Abstract要約: 本稿では,大腸内視鏡画像におけるポリプの検出精度が高いディープラーニングモデルとアルゴリズムについて検討する。
畳み込みニューラルネットワーク(CNN)を用いたディープラーニングの研究
- 参考スコア(独自算出の注目度): 62.997667081978825
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper is created to explore deep learning models and algorithms that
results in highest accuracy in detecting polyp on colonoscopy images. Previous
studies implemented deep learning using convolution neural network (CNN)
algorithm in detecting polyp and non-polyp. Other studies used dropout, and
data augmentation algorithm but mostly not checking the overfitting, thus,
include more than four-layer modelss. Rulei Yu et.al from the Institute of
Software, Chinese Academy of Sciences said that transfer learning is better
talking about performance or improving the previous used algorithm. Most
especially in applying the transfer learning in feature extraction. Series of
experiments were conducted with only a minimum of 4 CNN layers applying
previous used models and identified the model that produce the highest
percentage accuracy of 98% among the other models that apply transfer learning.
Further studies could use different optimizer to a different CNN modelsto
increase accuracy.
- Abstract(参考訳): 本稿では,大腸内視鏡画像におけるポリープ検出の精度を最大化する深層学習モデルとアルゴリズムについて検討する。
前回の研究では、畳み込みニューラルネットワーク(cnn)アルゴリズムによるポリプと非ポリプの検出でディープラーニングを実装した。
他の研究では、ドロップアウトとデータ拡張アルゴリズムを使用していたが、大半はオーバーフィッティングをチェックせず、4層モデル以上を含んでいる。
ソフトウェア研究所の Rulei Yu ら中国科学アカデミーは、トランスファーラーニングはパフォーマンスや前回使用したアルゴリズムの改善について話している方がよい、と述べている。
特に、特徴抽出における転送学習の適用において。
これまでに使用したモデルを適用した4つのCNN層で実験を行い、転送学習を施した他のモデルのうち、98%の精度で生成するモデルを同定した。
さらなる研究は、異なるCNNモデルに異なるオプティマイザを使用することで精度を向上させることができる。
関連論文リスト
- Inferring Data Preconditions from Deep Learning Models for Trustworthy
Prediction in Deployment [25.527665632625627]
デプロイ中に見つからないデータを使って、モデルの予測の信頼性を判断することが重要です。
従来のソフトウェアを特定し検証する既存の方法は、このタスクには不十分である。
本稿では、ニューラルネットワーク計算から導出されるルールを用いて、データ前提条件を推論する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-01-26T03:47:18Z) - Optimizing Dense Feed-Forward Neural Networks [0.0]
本稿では,プルーニングと移動学習に基づくフィードフォワードニューラルネットワークの構築手法を提案する。
提案手法では,パラメータ数を70%以上圧縮できる。
また、ニューラルネットワークをスクラッチからトレーニングしたモデルと元のモデルを比較し、トランスファー学習レベルを評価した。
論文 参考訳(メタデータ) (2023-12-16T23:23:16Z) - Normality Learning-based Graph Anomaly Detection via Multi-Scale
Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。
本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。
特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文 参考訳(メタデータ) (2023-09-12T08:06:04Z) - An Ensemble Deep Learning Approach for COVID-19 Severity Prediction
Using Chest CT Scans [8.512389316218943]
胸部CTによる重症度予測について検討した。
我々は複数のニューラルネットワークを組み込んで予測を改善するアンサンブル深層学習モデルを開発した。
論文 参考訳(メタデータ) (2023-05-17T10:43:15Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳(メタデータ) (2022-04-11T23:24:03Z) - Effective Model Sparsification by Scheduled Grow-and-Prune Methods [73.03533268740605]
本稿では,高密度モデルの事前学習を伴わない新規なGrow-and-prune(GaP)手法を提案する。
実験により、そのようなモデルは様々なタスクにおいて80%の間隔で高度に最適化された高密度モデルの品質に適合または打ち勝つことができることが示された。
論文 参考訳(メタデータ) (2021-06-18T01:03:13Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - RIFLE: Backpropagation in Depth for Deep Transfer Learning through
Re-Initializing the Fully-connected LayEr [60.07531696857743]
事前訓練されたモデルを用いたディープ畳み込みニューラルネットワーク(CNN)の微調整は、より大きなデータセットから学習した知識をターゲットタスクに転送するのに役立つ。
転送学習環境におけるバックプロパゲーションを深める戦略であるRIFLEを提案する。
RIFLEは、深いCNN層の重み付けに意味のあるアップデートをもたらし、低レベルの機能学習を改善する。
論文 参考訳(メタデータ) (2020-07-07T11:27:43Z)
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。