Fugu-MT 論文翻訳(概要): A Robust Ensemble Model for Patasitic Egg Detection and Classification

論文の概要: A Robust Ensemble Model for Patasitic Egg Detection and Classification

arxiv url: http://arxiv.org/abs/2207.01419v1
Date: Mon, 4 Jul 2022 13:53:46 GMT
ステータス: 処理完了
システム内更新日: 2022-07-05 15:11:31.515723
Title: A Robust Ensemble Model for Patasitic Egg Detection and Classification
Title（参考訳）: パタシティック卵の検出と分類のためのロバストアンサンブルモデル
Authors: Yuqi Wang, Zhiqiang He, Shenghui Huang, Huabin Du
Abstract要約: 腸内寄生虫感染症は、世界中で致死性の主要な原因となっているが、それでも時間節約、高感度、ユーザフレンドリーな検査方法が欠如している。本稿では,顕微鏡画像中の寄生卵を自動的に識別するために,YOLOv5や変種カスケードRCNNなどの物体検出器を適用した。
参考スコア（独自算出の注目度）: 9.449507409551842
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Intestinal parasitic infections, as a leading causes of morbidity worldwide, still lacks time-saving, high-sensitivity and user-friendly examination method. The development of deep learning technique reveals its broad application potential in biological image. In this paper, we apply several object detectors such as YOLOv5 and variant cascadeRCNNs to automatically discriminate parasitic eggs in microscope images. Through specially-designed optimization including raw data augmentation, model ensemble, transfer learning and test time augmentation, our model achieves excellent performance on challenge dataset. In addition, our model trained with added noise gains a high robustness against polluted input, which further broaden its applicability in practice.
Abstract（参考訳）: 腸内寄生虫感染症は、世界中で致命的な原因となっているが、それでも時間節約、高感度、ユーザフレンドリーな検査方法が欠けている。深層学習技術の開発は、生物画像におけるその幅広い応用可能性を明らかにする。本稿では,ヨーロフ5や変種カスケードrcnnなどの物体検出器を用いて顕微鏡画像中の寄生卵の自動判別を行う。生データ拡張、モデルアンサンブル、トランスファーラーニング、テスト時間拡張を含む特別に設計された最適化により、我々のモデルは課題データセット上で優れた性能を達成する。さらに, 付加ノイズをトレーニングしたモデルでは, 汚染された入力に対して高いロバスト性が得られ, 実用性がさらに拡大した。

関連論文リスト

Improving Deep Learning-based Automatic Cranial Defect Reconstruction by Heavy Data Augmentation: From Image Registration to Latent Diffusion Models [0.2911706166691895]
この研究は、パーソナライズされた頭蓋インプラントの自動モデリングにおける人工知能の分野に多大な貢献をしている。重データの増大が定量的および定性的な結果の両方を著しく増加させることを示す。また, 人工的に拡張したネットワークは, 実際の臨床的欠陥を再構築することに成功した。
論文参考訳（メタデータ） (2024-06-10T15:34:23Z)
Which Augmentation Should I Use? An Empirical Investigation of Augmentations for Self-Supervised Phonocardiogram Representation Learning [5.438725298163702]
Contrastive Self-Supervised Learning (SSL)はラベル付きデータの不足に対する潜在的な解決策を提供する。 1次元心電図(PCG)分類におけるコントラスト学習の最適化を提案する。トレーニング分布によっては、完全教師付きモデルの有効性が最大32%低下し、SSLモデルは最大10%低下し、場合によっては改善される。
論文参考訳（メタデータ） (2023-12-01T11:06:00Z)
Assessing and Enhancing Robustness of Deep Learning Models with Corruption Emulation in Digital Pathology [9.850335454350367]
我々は,病的ライフサイクル全体にわたるフルスタック汚職の物理的原因を分析した。我々は3つのOmniCE崩壊ベンチマークデータセットをパッチレベルとスライドレベルの両方で構築する。我々は,OmniCEの崩壊したデータセットをトレーニングや実験のために拡張データとして利用し,モデルの一般化能力が大幅に向上したことを確かめる。
論文参考訳（メタデータ） (2023-10-31T12:59:36Z)
USIM-DAL: Uncertainty-aware Statistical Image Modeling-based Dense Active Learning for Super-resolution [47.38982697349244]
デンス回帰(Dense regression)は、画像の超解像、エンハンスメント、深さ推定などのタスクのためのコンピュータビジョンで広く使われているアプローチである。この問題に対処するために,能動学習を高密度回帰モデルに組み込むことを提案する。アクティブな学習により、モデルはラベル付けのための最も有益なサンプルを選択し、全体的なアノテーションコストを削減し、パフォーマンスを向上させることができる。
論文参考訳（メタデータ） (2023-05-27T16:33:43Z)
Fast Unsupervised Brain Anomaly Detection and Segmentation with Diffusion Models [1.6352599467675781]
脳画像における異常検出とセグメント分割のための拡散モデルに基づく手法を提案する。拡散モデルは,2次元CTおよびMRIデータを用いた一連の実験において,自己回帰的アプローチと比較して競争性能が向上する。
論文参考訳（メタデータ） (2022-06-07T17:30:43Z)
Multi-Disease Detection in Retinal Imaging based on Ensembling Heterogeneous Deep Learning Models [0.0]
網膜イメージングのための革新的なマルチディセーゼ検出パイプラインを提案する。当社のパイプラインには、転送学習、クラス重み付け、リアルタイム画像増強、焦点損失利用などの最先端の戦略が含まれます。
論文参考訳（メタデータ） (2021-03-26T18:02:17Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文参考訳（メタデータ） (2020-04-22T07:30:56Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)
SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。