論文の概要: Generalized Zero Shot Learning For Medical Image Classification

• arxiv url: http://arxiv.org/abs/2204.01728v1
• Date: Mon, 4 Apr 2022 09:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-07 03:06:19.727671
• Title: Generalized Zero Shot Learning For Medical Image Classification
• Title（参考訳）: 医用画像分類のための一般ゼロショット学習
• Authors: Dwarikanath Mahapatra
• Abstract要約: 多くの実世界の医療画像分類設定では、可能なすべての病気の分類のサンプルにアクセスできない。 自己教師付き学習(SSL)を用いた一般化ゼロショット学習(GZSL)手法を提案する。 本手法では, 自然画像では利用できないが, 医用画像では利用できない属性ベクトルは不要である。
• 参考スコア（独自算出の注目度）: 5.6512908295414
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: In many real world medical image classification settings we do not have access to samples of all possible disease classes, while a robust system is expected to give high performance in recognizing novel test data. We propose a generalized zero shot learning (GZSL) method that uses self supervised learning (SSL) for: 1) selecting anchor vectors of different disease classes; and 2) training a feature generator. Our approach does not require class attribute vectors which are available for natural images but not for medical images. SSL ensures that the anchor vectors are representative of each class. SSL is also used to generate synthetic features of unseen classes. Using a simpler architecture, our method matches a state of the art SSL based GZSL method for natural images and outperforms all methods for medical images. Our method is adaptable enough to accommodate class attribute vectors when they are available for natural images.
• Abstract（参考訳）: 多くの実世界の医用画像分類設定では、可能なすべての疾患クラスのサンプルにアクセスできないが、ロバストなシステムは、新しい検査データを認識する上で高いパフォーマンスが期待できる。 自己教師付き学習(SSL)を用いた一般化ゼロショット学習(GZSL)手法を提案する。 1)異なる疾患クラスのアンカーベクターを選択すること、及び 2)特徴発生器の訓練。 本手法では, 自然画像では利用できないが, 医用画像では利用できない属性ベクトルは不要である。 SSLは、アンカーベクトルが各クラスの代表であることを保証します。 sslはunseenクラスの合成機能を生成するためにも使われる。 本手法は,より単純なアーキテクチャを用いて,自然画像に対するアートSSLベースのGZSL法の状態と一致し,医用画像に対するすべての手法より優れる。 本手法は,自然画像に対して使用可能なクラス属性ベクターに適応できる。

関連論文リスト

• Zero-Shot Learning by Harnessing Adversarial Samples [52.09717785644816]
  本稿では,HAS(Harnessing Adversarial Samples)によるZSL(Zero-Shot Learning)アプローチを提案する。 HASは3つの重要な側面を考慮に入れた敵の訓練を通じてZSLを前進させる。 本稿では,ZSLと一般化ゼロショット学習(GZSL)の両シナリオにおいて,敵対的サンプルアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2023-08-01T06:19:13Z)
• Do SSL Models Have D\'ej\`a Vu? A Case of Unintended Memorization in Self-supervised Learning [47.46863155263094]
  自己教師付き学習(SSL)アルゴリズムは、自然画像の様々な部分を相互に関連付けることを学ぶことによって、有用な画像表現を生成することができる。 SSLモデルは、意味的に意味のある関連を学習するのではなく、個別のトレーニングサンプルの特定の部分を意図せずに記憶することができる。 背景のみを含む訓練画像の訓練モデルと収穫量を考えると,前景オブジェクトを高精度に推測できることを示す。
  論文  参考訳（メタデータ） (2023-04-26T22:29:49Z)
• Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
  HSI分類に自己監督学習(SSL)を活用することを提案する。 最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-06-24T07:21:53Z)
• HIRL: A General Framework for Hierarchical Image Representation Learning [54.12773508883117]
  階層型画像表現学習(HIRL)のための一般的なフレームワークを提案する。 このフレームワークは、各画像の複数の意味表現を学習することを目的としており、これらの表現は、細粒度から粗粒度まで画像意味をエンコードするように構成されている。 確率的因子化に基づいて、HIRLはオフザシェルフ画像SSLアプローチにより最もきめ細かいセマンティクスを学習し、新しいセマンティクスパス識別方式により複数の粗いセマンティクスを学習する。
  論文  参考訳（メタデータ） (2022-05-26T05:13:26Z)
• 3N-GAN: Semi-Supervised Classification of X-Ray Images with a 3-Player Adversarial Framework [0.0]
  医用画像の半教師付き分類を行うために,3N-GAN (3 Network Generative Adversarial Networks) を提案する。 予備的な結果は、様々なアルゴリズムによる分類性能とGAN世代の改善を示している。
  論文  参考訳（メタデータ） (2021-09-22T23:18:59Z)
• Isometric Propagation Network for Generalized Zero-shot Learning [72.02404519815663]
  一般的な戦略は、クラス属性の意味空間と、見たクラスとそのデータに基づいて画像の視覚空間とのマッピングを学ぶことである。 本稿では,各空間内のクラス間の関係を強化し,2つの空間におけるクラス依存性を整合させるIsometric propagation Network (IPN)を提案する。 IPNは3つの人気のあるゼロショット学習ベンチマークで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-02-03T12:45:38Z)
• A Multi-class Approach -- Building a Visual Classifier based on Textual Descriptions using Zero-Shot Learning [0.34265828682659694]
  機械学習の主なハードル、すなわちデータの不足と分類モデルの制約付き予測を克服する。 特定のクラスに対して学習するのではなく、ラベル付き画像をテキスト記述にマッピングすることで分類器を訓練する。
  論文  参考訳（メタデータ） (2020-11-18T12:06:55Z)
• Attribute Propagation Network for Graph Zero-shot Learning [57.68486382473194]
  属性伝達ネットワーク (APNet) を導入し, 1) クラス毎に属性ベクトルを生成するグラフ伝搬モデルと, 2) パラメータ化隣人 (NN) 分類器から構成する。 APNetは、2つのゼロショット学習設定と5つのベンチマークデータセットによる実験で、魅力的なパフォーマンスまたは新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-09-24T16:53:40Z)

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。