論文の概要: S$^3$R: Self-supervised Spectral Regression for Hyperspectral
Histopathology Image Classification
- arxiv url: http://arxiv.org/abs/2209.08770v1
- Date: Mon, 19 Sep 2022 05:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-20 18:29:50.299327
- Title: S$^3$R: Self-supervised Spectral Regression for Hyperspectral
Histopathology Image Classification
- Title（参考訳）: s$^3$r:高スペクトル組織病理画像分類のための自己教師ありスペクトル回帰
- Authors: Xingran Xie, Yan Wang, and Qingli Li
- Abstract要約: 本稿では,高スペクトル画像(HSI)のスペクトル領域における低階特性を利用した,効率的かつ効果的な自己監督型スペクトル回帰法(S$3$R)を提案する。
2つのプレテキストタスクを設計する:(1)S$3$R-CRは線形係数を回帰し、事前学習されたモデルがHSIの固有構造と異なる形態の病理特性を理解するようにし、(2)S$3$R-BRは欠落したバンドを回帰し、HSIの全体論的意味学を学ぶモデルを作る。
- 参考スコア（独自算出の注目度）: 13.388372624497807
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Benefited from the rich and detailed spectral information in hyperspectral
images (HSI), HSI offers great potential for a wide variety of medical
applications such as computational pathology. But, the lack of adequate
annotated data and the high spatiospectral dimensions of HSIs usually make
classification networks prone to overfit. Thus, learning a general
representation which can be transferred to the downstream tasks is imperative.
To our knowledge, no appropriate self-supervised pre-training method has been
designed for histopathology HSIs. In this paper, we introduce an efficient and
effective Self-supervised Spectral Regression (S$^3$R) method, which exploits
the low rank characteristic in the spectral domain of HSI. More concretely, we
propose to learn a set of linear coefficients that can be used to represent one
band by the remaining bands via masking out these bands. Then, the band is
restored by using the learned coefficients to reweight the remaining bands. Two
pre-text tasks are designed: (1)S$^3$R-CR, which regresses the linear
coefficients, so that the pre-trained model understands the inherent structures
of HSIs and the pathological characteristics of different morphologies;
(2)S$^3$R-BR, which regresses the missing band, making the model to learn the
holistic semantics of HSIs. Compared to prior arts i.e., contrastive learning
methods, which focuses on natural images, S$^3$R converges at least 3 times
faster, and achieves significant improvements up to 14% in accuracy when
transferring to HSI classification tasks.
- Abstract（参考訳）: ハイパースペクトル画像(HSI)のリッチで詳細なスペクトル情報から得られたHSIは、計算病理学のような幅広い医学的応用に大きな可能性を秘めている。
しかし、十分なアノテートデータの欠如と高スペクトル次元のHSIは、分類ネットワークを過度に適合させる傾向がある。
したがって、下流タスクに転送可能な一般的な表現の学習は必須である。
病理組織学hsisでは, 適切な自己指導前訓練法が確立されていない。
本稿では,HSIのスペクトル領域における低階特性を利用した,効率的かつ効果的な自己監督スペクトル回帰法(S$^3$R)を提案する。
より具体的には、これらのバンドをマスキングすることで、残りのバンドによって1つのバンドを表現できる線形係数の集合を学習することを提案する。
そして、学習係数を用いてバンドを復元し、残りのバンドをリウェイトする。
2つのプレテキストタスクが設計されている:(1)S$^3$R-CRは線形係数を回帰し、事前学習されたモデルがHSIの固有構造と異なる形態の病理特性を理解するように、(2)S$^3$R-BRは欠落したバンドを回帰し、HSIの全体論的意味学を学ぶモデルとなる。
自然画像に焦点を当てたコントラスト学習手法である先行技術と比較して、S$^3$Rは少なくとも3倍の速度で収束し、HSI分類タスクに移行する際の精度が最大14%向上する。
関連論文リスト
- Fine-tuning -- a Transfer Learning approach [0.22344294014777952]
電子健康記録(EHR)の欠落は、この貴重な資源に欠落するデータが豊富にあるため、しばしば妨げられる。
既存の深い計算手法は、計算処理とダウンストリーム解析の両方を組み込んだエンドツーエンドのパイプラインに依存している。
本稿では,モジュール型深層学習型計算・分類パイプラインの開発について検討する。
論文 参考訳（メタデータ） (2024-11-06T14:18:23Z) - HIR-Diff: Unsupervised Hyperspectral Image Restoration Via Improved
Diffusion Models [38.74983301496911]
ハイパースペクトル画像(HSI)の復元は、劣化した観察からクリーンなイメージを復元することを目的としている。
既存のモデルに基づく手法は、複雑な画像の特徴を正確にモデル化するのに限界がある。
本稿では,事前学習拡散モデル(HIR-Diff)を用いた教師なしHSI復元フレームワークを提案する。
論文 参考訳（メタデータ） (2024-02-24T17:15:05Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - ESSAformer: Efficient Transformer for Hyperspectral Image
Super-resolution [76.7408734079706]
単一ハイパースペクトル像超解像(単一HSI-SR)は、低分解能観測から高分解能ハイパースペクトル像を復元することを目的としている。
本稿では,1つのHSI-SRの繰り返し精製構造を持つESSA注目組込みトランスフォーマネットワークであるESSAformerを提案する。
論文 参考訳（メタデータ） (2023-07-26T07:45:14Z) - Learning A 3D-CNN and Transformer Prior for Hyperspectral Image
Super-Resolution [80.93870349019332]
本稿では,CNN の代わりに Transformer を用いて HSI の事前学習を行う新しい HSISR 手法を提案する。
具体的には、まず勾配アルゴリズムを用いてHSISRモデルを解き、次に展開ネットワークを用いて反復解過程をシミュレートする。
論文 参考訳（メタデータ） (2021-11-27T15:38:57Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Hyperspectral Image Super-Resolution with Spectral Mixup and
Heterogeneous Datasets [99.92564298432387]
ハイパースペクトル画像(HSI)超解像(SR)の研究
HSI SRは高次元データと限られたトレーニング例によって特徴づけられる。
これにより、非分布サンプルに対する記憶や感度などのニューラルネットワークの望ましくない動作が悪化する。
論文 参考訳（メタデータ） (2021-01-19T12:19:53Z) - DML-GANR: Deep Metric Learning With Generative Adversarial Network
Regularization for High Spatial Resolution Remote Sensing Image Retrieval [9.423185775609426]
我々は,HSR-RSI検索のためのDML-GANR(Generative Adversarial Network regularization)を用いたディープメトリック学習手法を開発した。
3つのデータセットの実験結果から,HSR-RSI検索における最先端技術よりもDML-GANRの方が優れた性能を示した。
論文 参考訳（メタデータ） (2020-10-07T02:26:03Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳（メタデータ） (2020-10-01T17:51:49Z) - Improving Deep Hyperspectral Image Classification Performance with
Spectral Unmixing [3.84448093764973]
本稿では,多元HSI分類法を提案する。
我々は、データセット固有のオートエンコーダにより、スペクトル領域から豊富な領域へのすべてのHSIを変換する。
次に、複数のHSIからの豊富な表現を収集して拡大データセットを形成する。
論文 参考訳（メタデータ） (2020-04-01T17:14:05Z)
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。