論文の概要: Deep learning pipeline for image classification on mobile phones

• arxiv url: http://arxiv.org/abs/2206.00105v1
• Date: Tue, 31 May 2022 20:39:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-03 11:17:14.800925
• Title: Deep learning pipeline for image classification on mobile phones
• Title（参考訳）: 携帯電話における画像分類のためのディープラーニングパイプライン
• Authors: Muhammad Muneeb, Samuel F. Feng, and Andreas Henschel
• Abstract要約: 本稿では,携帯電話を用いた画像分類のための機械学習フレームワークとチュートリアルを提案する。 提案されたパイプラインに従うことで、モバイルデバイスにディープラーニングの医療画像分類のパワーがもたらされ、アプリケーションの新しいドメインがアンロックされる可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article proposes and documents a machine-learning framework and tutorial for classifying images using mobile phones. Compared to computers, the performance of deep learning model performance degrades when deployed on a mobile phone and requires a systematic approach to find a model that performs optimally on both computers and mobile phones. By following the proposed pipeline, which consists of various computational tools, simple procedural recipes, and technical considerations, one can bring the power of deep learning medical image classification to mobile devices, potentially unlocking new domains of applications. The pipeline is demonstrated on four different publicly available datasets: COVID X-rays, COVID CT scans, leaves, and colorectal cancer. We used two application development frameworks: TensorFlow Lite (real-time testing) and Flutter (digital image testing) to test the proposed pipeline. We found that transferring deep learning models to a mobile phone is limited by hardware and classification accuracy drops. To address this issue, we proposed this pipeline to find an optimized model for mobile phones. Finally, we discuss additional applications and computational concerns related to deploying deep-learning models on phones, including real-time analysis and image preprocessing. We believe the associated documentation and code can help physicians and medical experts develop medical image classification applications for distribution.
• Abstract（参考訳）: 本稿では,携帯電話を用いた画像分類のための機械学習フレームワークとチュートリアルを提案する。 コンピュータと比較して、ディープラーニングモデルの性能は携帯電話にデプロイすると劣化し、コンピュータと携帯電話の両方で最適に動作するモデルを見つけるためには体系的なアプローチが必要である。 提案したパイプラインは,様々な計算ツール,簡単な手続き的レシピ,技術的考察から成り,モバイルデバイスにディープラーニングの医療画像分類の力をもたらし,アプリケーションの新しいドメインを解き放つ可能性がある。 パイプラインは、COVID X線、COVID CTスキャン、葉、大腸癌の4つの利用可能なデータセットで実証されている。 提案するパイプラインをテストするために、tensorflow lite(リアルタイムテスト)とflutter(デジタルイメージテスト)という2つのアプリケーション開発フレームワークを使用しました。 携帯電話へのディープラーニングモデルの転送は、ハードウェアと分類精度の低下によって制限されることがわかりました。 この問題に対処するため,我々は携帯電話に最適化されたモデルを求めるパイプラインを提案した。 最後に、リアルタイム分析や画像前処理など、ディープラーニングモデルを携帯電話に展開する際のさらなる応用と計算上の懸念について論じる。 医師や医療専門家が配布のための医用画像分類アプリケーションを開発するのに役立つと我々は信じている。

関連論文リスト

• LiteNeXt: A Novel Lightweight ConvMixer-based Model with Self-embedding Representation Parallel for Medical Image Segmentation [2.0901574458380403]
  医用画像分割のための軽量だが効率的な新しいモデル LiteNeXt を提案する。 LiteNeXtは、少量のパラメータ (0.71M) とギガ浮動小数点演算 (0.42) でスクラッチから訓練されている。
  論文  参考訳（メタデータ） (2024-04-04T01:59:19Z)
• Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
  われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。 デジタル病理学のための幅広い深層学習手法をサポートしている。 トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
  論文  参考訳（メタデータ） (2023-04-09T02:49:36Z)
• Deep Learning Computer Vision Algorithms for Real-time UAVs On-board Camera Image Processing [77.34726150561087]
  本稿では,ディープラーニングに基づくコンピュータビジョンアルゴリズムを用いて,小型UAVのリアルタイムセンサ処理を実現する方法について述べる。 すべてのアルゴリズムは、ディープニューラルネットワークに基づく最先端の画像処理手法を用いて開発されている。
  論文  参考訳（メタデータ） (2022-11-02T11:10:42Z)
• A Multi Camera Unsupervised Domain Adaptation Pipeline for Object Detection in Cultural Sites through Adversarial Learning and Self-Training [23.186208885878926]
  本稿では,対象検出のためのドメイン適応の問題を研究するために,文化的な場所で収集された新しいデータセットを提案する。 本稿では,現在の最先端手法よりも優れたドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2022-10-03T10:40:58Z)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• Fed-Sim: Federated Simulation for Medical Imaging [131.56325440976207]
  本稿では、2つの学習可能なニューラルモジュールからなる物理駆動型生成手法を提案する。 データ合成フレームワークは、複数のデータセットの下流セグメンテーション性能を改善する。
  論文  参考訳（メタデータ） (2020-09-01T19:17:46Z)
• Lightweight Modules for Efficient Deep Learning based Image Restoration [20.701733377216932]
  そこで我々は,与えられたベースラインモデルの計算的低コストな変種を生成するために,いくつかの軽量な低レベルモジュールを提案する。 その結果,提案するネットワークは,全容量ベースラインと比較して,視覚的に類似した再構成を一貫して出力することがわかった。
  論文  参考訳（メタデータ） (2020-07-11T19:35:00Z)
• A DICOM Framework for Machine Learning Pipelines against Real-Time Radiology Images [50.222197963803644]
  Nifflerは、研究クラスタでの機械学習パイプラインの実行を可能にする統合フレームワークである。 ニフラーはDigital Imaging and Communications in Medicine (DICOM)プロトコルを使用して画像データの取得と保存を行っている。 我々は,そのアーキテクチャと3つのユースケースを提示する: リアルタイムに画像から下大静脈フィルターを検出すること,スキャナ利用の同定,およびスキャナクロックの校正。
  論文  参考訳（メタデータ） (2020-04-16T21:06:49Z)
• Two-shot Spatially-varying BRDF and Shape Estimation [89.29020624201708]
  形状とSVBRDFを段階的に推定した新しいディープラーニングアーキテクチャを提案する。 ドメインランダム化された幾何学と現実的な材料を用いた大規模合成学習データセットを作成する。 合成データセットと実世界のデータセットの両方の実験により、合成データセットでトレーニングされたネットワークが、実世界の画像に対してうまく一般化できることが示されている。
  論文  参考訳（メタデータ） (2020-04-01T12:56:13Z)
• Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
  イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。 深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
  論文  参考訳（メタデータ） (2020-01-15T21:37:47Z)

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。