論文の概要: Genetic Programming-Based Evolutionary Deep Learning for Data-Efficient Image Classification

• arxiv url: http://arxiv.org/abs/2209.13233v1
• Date: Tue, 27 Sep 2022 08:10:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 14:24:28.951370
• Title: Genetic Programming-Based Evolutionary Deep Learning for Data-Efficient Image Classification
• Title（参考訳）: データ効率の良い画像分類のための遺伝的プログラミングに基づく進化的深層学習
• Authors: Ying Bi, Bing Xue, and Mengjie Zhang
• Abstract要約: 本稿では,データ効率のよい画像分類のための遺伝的プログラミングに基づく進化的深層学習手法を提案する。 この新しいアプローチは、画像領域と分類領域の両方から多くの重要な演算子を使用して、変数長モデルを自動的に進化させることができる。 フレキシブルな多層表現により、新しいアプローチは、タスクごとに浅いモデルや深いモデルやツリーを自動的に構築できる。
• 参考スコア（独自算出の注目度）: 3.9310727060473476
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data-efficient image classification is a challenging task that aims to solve image classification using small training data. Neural network-based deep learning methods are effective for image classification, but they typically require large-scale training data and have major limitations such as requiring expertise to design network architectures and having poor interpretability. Evolutionary deep learning is a recent hot topic that combines evolutionary computation with deep learning. However, most evolutionary deep learning methods focus on evolving architectures of neural networks, which still suffer from limitations such as poor interpretability. To address this, this paper proposes a new genetic programming-based evolutionary deep learning approach to data-efficient image classification. The new approach can automatically evolve variable-length models using many important operators from both image and classification domains. It can learn different types of image features from colour or gray-scale images, and construct effective and diverse ensembles for image classification. A flexible multi-layer representation enables the new approach to automatically construct shallow or deep models/trees for different tasks and perform effective transformations on the input data via multiple internal nodes. The new approach is applied to solve five image classification tasks with different training set sizes. The results show that it achieves better performance in most cases than deep learning methods for data-efficient image classification. A deep analysis shows that the new approach has good convergence and evolves models with high interpretability, different lengths/sizes/shapes, and good transferability.
• Abstract（参考訳）: データ効率のよい画像分類は、小さなトレーニングデータを用いた画像分類の解決を目的とした課題である。 ニューラルネットワークベースのディープラーニング手法は、画像分類に有効であるが、通常は大規模なトレーニングデータを必要とし、ネットワークアーキテクチャの設計に専門知識を必要としたり、解釈容易性に乏しいといった大きな制限がある。 進化的ディープラーニングは、進化的計算とディープラーニングを組み合わせた最近のホットトピックである。 しかし、進化的ディープラーニングの手法のほとんどはニューラルネットワークのアーキテクチャの進化に焦点をあてている。 そこで本研究では,データ効率のよい画像分類のための遺伝的プログラミングに基づく進化的深層学習手法を提案する。 この新しいアプローチは、画像と分類領域の両方から多くの重要な演算子を使用して、可変長モデルを自動的に進化させることができる。 カラー画像やグレースケール画像から異なるタイプの画像特徴を学習し、画像分類のための効果的で多様なアンサンブルを構築することができる。 フレキシブルなマルチレイヤ表現により、異なるタスクのための浅いモデルや深いツリーを自動的に構築し、複数の内部ノードを介して入力データに効果的な変換を行うことができる。 新しいアプローチは、異なるトレーニングセットサイズで5つの画像分類タスクを解決するために適用される。 その結果,ほとんどの場合,データ効率のよい画像分類のためのディープラーニング手法よりも優れた性能が得られることがわかった。 深い分析により、新しいアプローチは収束性が高く、高い解釈性、異なる長さ/サイズ/形状、優れた転送性を持つモデルを進化させることが示された。

関連論文リスト

• Interactive Image Selection and Training for Brain Tumor Segmentation Network [42.62139206176152]
  画像マーカー(FLIM)からの特徴学習に基づく画像選択と訓練のための対話的手法を用いる。 その結果,本手法では,U字型ネットワークのエンコーダを訓練するための少数の画像を選択することができ,手動選択に匹敵する性能を得ることができ,また,バックプロパゲーションとトレーニング画像のトレーニングを施した同一のU字型ネットワークを超越することさえできた。
  論文  参考訳（メタデータ） (2024-06-05T13:03:06Z)
• Connecting the Dots: Graph Neural Network Powered Ensemble and Classification of Medical Images [0.0]
  医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。 画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。 これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
  論文  参考訳（メタデータ） (2023-11-13T13:20:54Z)
• Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
  人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。 本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。 ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-08-04T10:28:48Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Multilayer deep feature extraction for visual texture recognition [0.0]
  本稿では,テクスチャ分類における畳み込みニューラルネットワークの精度向上に着目した。 事前訓練されたニューラルネットワークの複数の畳み込み層から特徴を抽出し、フィッシャーベクトルを用いてそのような特徴を集約する。 本手法は,ブラジルの植物種識別の実践的課題と同様に,ベンチマークデータセットのテクスチャ分類における有効性を検証する。
  論文  参考訳（メタデータ） (2022-08-22T03:53:43Z)
• Deep reinforced active learning for multi-class image classification [0.0]
  高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。 本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T09:30:55Z)
• Learning to Learn Parameterized Classification Networks for Scalable Input Images [76.44375136492827]
  畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。 我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。 さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
  論文  参考訳（メタデータ） (2020-07-13T04:27:25Z)
• Adversarially-Trained Deep Nets Transfer Better: Illustration on Image Classification [53.735029033681435]
  トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。 本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2020-07-11T22:48:42Z)
• Multi-task pre-training of deep neural networks for digital pathology [8.74883469030132]
  私たちはまず、多くのデジタル病理データセットを22の分類タスクと約900kの画像のプールに組み立て、変換しました。 特徴抽出器として使用されるモデルは、ImageNet事前訓練されたモデルよりも大幅に改善されるか、同等のパフォーマンスを提供するかを示す。
  論文  参考訳（メタデータ） (2020-05-05T08:50:17Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。