論文の概要: Deep Relation Learning for Regression and Its Application to Brain Age
Estimation
- arxiv url: http://arxiv.org/abs/2204.06598v1
- Date: Wed, 13 Apr 2022 18:40:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 13:18:11.991849
- Title: Deep Relation Learning for Regression and Its Application to Brain Age
Estimation
- Title(参考訳): 回帰のための深層関係学習とその脳年齢推定への応用
- Authors: Sheng He, Yanfang Feng, P. Ellen Grant, Yangming Ou
- Abstract要約: 本稿では,2つの入力画像間の異なる関係を学習することを目的とした,回帰のための深い関係学習を提案する。
我々は、効率的な畳み込みニューラルネットワークを用いて、入力画像から深い特徴を抽出し、関係学習にトランスフォーマーを適用する。
提案手法は平均絶対誤差(MAE)を2.38年で達成した。
- 参考スコア(独自算出の注目度): 2.064612766965483
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Most deep learning models for temporal regression directly output the
estimation based on single input images, ignoring the relationships between
different images. In this paper, we propose deep relation learning for
regression, aiming to learn different relations between a pair of input images.
Four non-linear relations are considered: "cumulative relation", "relative
relation", "maximal relation" and "minimal relation". These four relations are
learned simultaneously from one deep neural network which has two parts:
feature extraction and relation regression. We use an efficient convolutional
neural network to extract deep features from the pair of input images and apply
a Transformer for relation learning. The proposed method is evaluated on a
merged dataset with 6,049 subjects with ages of 0-97 years using 5-fold
cross-validation for the task of brain age estimation. The experimental results
have shown that the proposed method achieved a mean absolute error (MAE) of
2.38 years, which is lower than the MAEs of 8 other state-of-the-art algorithms
with statistical significance (p$<$0.05) in paired T-test (two-side).
- Abstract(参考訳): 時間回帰のためのほとんどのディープラーニングモデルは、単一の入力画像に基づいて推定を直接出力し、異なる画像間の関係を無視する。
本稿では,一対の入力画像間で異なる関係を学習することを目的として,回帰のための深層関係学習を提案する。
4つの非線形関係:「累積関係」、「相対関係」、「最大関係」、「最小関係」である。
これら4つの関係は、特徴抽出と関係回帰という2つの部分を持つ1つのディープニューラルネットワークから同時に学習される。
我々は、効率的な畳み込みニューラルネットワークを用いて、入力画像から深い特徴を抽出し、関係学習にトランスフォーマーを適用する。
提案手法は,脳年齢推定のための5倍のクロスバリデーションを用いて,0~97歳以上の6,049名の統合データセットを用いて評価した。
実験の結果,提案手法は平均絶対誤差(MAE)を2.38年で達成し,T検定において統計的に有意(p$<0.05)を持つ8種類の最先端アルゴリズムのMAEよりも低い値を示した。
関連論文リスト
- Relational Extraction on Wikipedia Tables using Convolutional and Memory
Networks [6.200672130699805]
関係抽出(Relation extract、RE)は、テキスト内のエンティティ間の関係を抽出するタスクである。
我々は、エンティティをエンコードするために、畳み込みニューラルネットワーク(CNN)とBidirectional-Long Short Term Memory(BiLSTM)ネットワークからなる新しいモデルを導入する。
論文 参考訳(メタデータ) (2023-07-11T22:36:47Z) - Cross-Domain Few-Shot Relation Extraction via Representation Learning
and Domain Adaptation [1.1602089225841632]
短いショット関係抽出は、各関係にラベル付き文がほとんどない新しい関係を認識することを目的としている。
従来の距離法に基づく数ショット関係抽出アルゴリズムは、訓練された距離関数を用いて、クエリ文の埋め込みに埋め込まれた少数のラベル付き文によって生成されたプロトタイプを比較することにより、関係を識別する。
我々は,先行知識からより解釈可能で効率的なプロトタイプを学習し,様々な領域における新たな関係をより効果的に抽出するために,関係の本質的な意味論を学習することを提案する。
論文 参考訳(メタデータ) (2022-12-05T19:34:52Z) - 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) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳(メタデータ) (2021-08-23T09:31:18Z) - ZS-BERT: Towards Zero-Shot Relation Extraction with Attribute
Representation Learning [10.609715843964263]
目に見える関係と見えない関係のテキスト記述を組み込んでゼロショット関係抽出問題を定式化する。
本稿では,手作りラベリングや複数対属性分類を使わずに,目に見えない関係を直接予測する,新しいマルチタスク学習モデルであるゼロショットBERTを提案する。
2つのよく知られたデータセットで行われた実験では、ZS-BERTが少なくとも13.54%のF1スコアの改善によって既存の方法より優れていることが示されています。
論文 参考訳(メタデータ) (2021-04-10T06:53:41Z) - Learning Relation Prototype from Unlabeled Texts for Long-tail Relation
Extraction [84.64435075778988]
本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。
我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。
私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
論文 参考訳(メタデータ) (2020-11-27T06:21:12Z) - Learning Informative Representations of Biomedical Relations with Latent
Variable Models [2.4366811507669115]
本稿では,任意に柔軟な分布を持つ潜在変数モデルを提案する。
我々のモデルは、パラメータが少なく、トレーニングがかなり速く、両方のタスクの強いベースラインと競合する結果が得られることを実証する。
論文 参考訳(メタデータ) (2020-11-20T08:56:31Z) - Few-shot Visual Reasoning with Meta-analogical Contrastive Learning [141.2562447971]
本稿では,類似推論に頼って,数ショット(または低ショット)の視覚推論問題を解くことを提案する。
両領域の要素間の構造的関係を抽出し、類似学習と可能な限り類似するように強制する。
RAVENデータセット上での本手法の有効性を検証し, トレーニングデータが少ない場合, 最先端の手法より優れることを示す。
論文 参考訳(メタデータ) (2020-07-23T14:00:34Z) - Relation-Guided Representation Learning [53.60351496449232]
本稿では,サンプル関係を明示的にモデル化し,活用する表現学習手法を提案する。
私たちのフレームワークは、サンプル間の関係をよく保存します。
サンプルをサブスペースに埋め込むことにより,本手法が大規模なサンプル外問題に対処可能であることを示す。
論文 参考訳(メタデータ) (2020-07-11T10:57:45Z) - Relation of the Relations: A New Paradigm of the Relation Extraction
Problem [52.21210549224131]
我々は,関係抽出(RE)の新たなパラダイムを提案し,同じ文脈におけるすべての関係の予測を総合的に検討する。
我々は、手作りのルールを必要としないデータ駆動型アプローチを開発し、グラフニューラルネットワークと関係行列変換器を用いた関係関係(RoR)をそれ自体で学習する。
実験の結果、私たちのモデルはACE05データセットでは+1.12%、SemEval 2018 Task 7.2では2.55%で最先端のアプローチよりも優れています。
論文 参考訳(メタデータ) (2020-06-05T22:25:27Z)
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。