Fugu-MT 論文翻訳(概要): Transformation Invariant Cancerous Tissue Classification Using Spatially Transformed DenseNet

論文の概要: Transformation Invariant Cancerous Tissue Classification Using Spatially Transformed DenseNet

arxiv url: http://arxiv.org/abs/2204.11066v1
Date: Sat, 23 Apr 2022 13:12:50 GMT
ステータス: 処理完了
システム内更新日: 2022-04-26 13:46:03.036618
Title: Transformation Invariant Cancerous Tissue Classification Using Spatially Transformed DenseNet
Title（参考訳）: 空間変換DenseNetを用いた転移不変癌組織分類
Authors: Omar Mahdi, Ali Bou Nassif
Abstract要約: 本稿では,癌組織の形質転換不変分類のための空間変換型DenseNetアーキテクチャを提案する。我々のアーキテクチャは、ベースとなるDenseNetアーキテクチャの精度を高め、変換不変な方法で操作する機能を追加します。
参考スコア（独自算出の注目度）: 4.548471481431569
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this work, we introduce a spatially transformed DenseNet architecture for transformation invariant classification of cancer tissue. Our architecture increases the accuracy of the base DenseNet architecture while adding the ability to operate in a transformation invariant way while simultaneously being simpler than other models that try to provide some form of invariance.
Abstract（参考訳）: そこで本研究では, 癌組織の非変分分類のための空間変換型DenseNetアーキテクチャを提案する。我々のアーキテクチャはベース・デンジネット・アーキテクチャの精度を高め、変換不変な方法で操作する能力も加えつつ、ある種の不変性を提供しようとする他のモデルよりもシンプルである。

関連論文リスト

Restore Translation Using Equivariant Neural Networks [7.78895108256899]
本稿では,畳み込みニューラルネットワークに変換された(あるいは回転した)入力を復元するための事前分類器復元器を提案する。復元子は、テンソル空間上の変換同変であるアフィン作用素に十分かつ必要な条件を与える理論的な結果に基づいている。
論文参考訳（メタデータ） (2023-06-29T13:34:35Z)
Deep Neural Networks with Efficient Guaranteed Invariances [77.99182201815763]
我々は、性能改善の問題、特にディープニューラルネットワークのサンプル複雑性に対処する。群同変畳み込みは同変表現を得るための一般的なアプローチである。本稿では,各ストリームが異なる変換に不変なマルチストリームアーキテクチャを提案する。
論文参考訳（メタデータ） (2023-03-02T20:44:45Z)
Full Stack Optimization of Transformer Inference: a Survey [58.55475772110702]
トランスフォーマーモデルは広範囲のアプリケーションにまたがって優れた精度を実現する。最近のTransformerモデルの推測に必要な計算量と帯域幅は、かなり増加しています。 Transformerモデルをより効率的にすることに注力している。
論文参考訳（メタデータ） (2023-02-27T18:18:13Z)
Transformation Coding: Simple Objectives for Equivariant Representations [17.544323284367927]
簡単な目的を通した均質な深層埋め込みを求める深層表現学習への非生成的アプローチを提案する。既存の同変ネットワークとは対照的に、我々の変換符号化アプローチはフィードフォワード層やアーキテクチャの選択を制約しない。
論文参考訳（メタデータ） (2022-02-19T01:43:13Z)
Improving the Sample-Complexity of Deep Classification Networks with Invariant Integration [77.99182201815763]
変換によるクラス内分散に関する事前知識を活用することは、ディープニューラルネットワークのサンプル複雑性を改善するための強力な方法である。そこで本研究では,アプリケーションの複雑な問題に対処するために,プルーニング法に基づく新しい単項選択アルゴリズムを提案する。本稿では,Rotated-MNIST,SVHN,CIFAR-10データセットにおけるサンプルの複雑さの改善について述べる。
論文参考訳（メタデータ） (2022-02-08T16:16:11Z)
Revisiting Transformation Invariant Geometric Deep Learning: Are Initial Representations All You Need? [80.86819657126041]
変換不変および距離保存初期表現は変換不変性を達成するのに十分であることを示す。具体的には、多次元スケーリングを変更することで、変換不変かつ距離保存された初期点表現を実現する。我々は、TinvNNが変換不変性を厳密に保証し、既存のニューラルネットワークと組み合わせられるほど汎用的で柔軟なことを証明した。
論文参考訳（メタデータ） (2021-12-23T03:52:33Z)
Invariant Integration in Deep Convolutional Feature Space [77.99182201815763]
より深いニューラルネットワークアーキテクチャに事前知識を原則的に組み込む方法を示す。本稿では,Rotated-MNISTデータセットの最先端性能について報告する。
論文参考訳（メタデータ） (2020-04-20T09:45:43Z)
FLAT: Few-Shot Learning via Autoencoding Transformation Regularizers [67.46036826589467]
本稿では,データ例のラベルを使わずに,変換の分布によって引き起こされる特徴表現の変化を学習することで,新たな正規化機構を提案する。エンコードされた特徴レベルで変換強化されたバリエーションを検査することで、ベースカテゴリへのオーバーフィットのリスクを最小限に抑えることができる。実験結果から,文学における現在の最先端手法よりも優れた性能を示した。
論文参考訳（メタデータ） (2019-12-29T15:26:28Z)

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。