論文の概要: Improving dermatology classifiers across populations using images generated by large diffusion models

• arxiv url: http://arxiv.org/abs/2211.13352v1
• Date: Wed, 23 Nov 2022 23:53:03 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-28 15:52:51.005911
• Title: Improving dermatology classifiers across populations using images generated by large diffusion models
• Title（参考訳）: 大規模拡散モデルによる画像を用いた皮膚科分類器の改良
• Authors: Luke W. Sagers, James A. Diao, Matthew Groh, Pranav Rajpurkar, Adewole S. Adamson, Arjun K. Manrai
• Abstract要約: 大規模なテキスト・画像拡散モデルであるDALL$cdot$E2は皮膚疾患の光写実画像を生成することができることを示す。 DALL$cdot$E2生成合成画像によるトレーニングデータの拡大は、皮膚疾患の全体的分類、特に表現不足群の分類を改善することを実証した。
• 参考スコア（独自算出の注目度）: 4.291548465691441
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dermatological classification algorithms developed without sufficiently diverse training data may generalize poorly across populations. While intentional data collection and annotation offer the best means for improving representation, new computational approaches for generating training data may also aid in mitigating the effects of sampling bias. In this paper, we show that DALL$\cdot$E 2, a large-scale text-to-image diffusion model, can produce photorealistic images of skin disease across skin types. Using the Fitzpatrick 17k dataset as a benchmark, we demonstrate that augmenting training data with DALL$\cdot$E 2-generated synthetic images improves classification of skin disease overall and especially for underrepresented groups.
• Abstract（参考訳）: 十分な多様な訓練データなしに開発された皮膚学分類アルゴリズムは、個体群全体にわたってあまり一般化しない。 意図的なデータ収集とアノテーションは表現を改善する最良の手段であるが、トレーニングデータを生成するための新しい計算手法はサンプリングバイアスの効果を軽減するのに役立つ。 本稿では,大規模なテキスト・画像拡散モデルであるDALL$\cdot$E2を用いて皮膚疾患の光写実像を作成できることを示す。 フィッツパトリック17kデータセットをベンチマークとして, dall$\cdot$e 2生成合成画像を用いたトレーニングデータの強化が, 皮膚疾患全体の分類, 特に低表示群の分類を改善することを実証した。

関連論文リスト

• DataDream: Few-shot Guided Dataset Generation [90.09164461462365]
  実データ分布をより忠実に表現する分類データセットを合成するためのフレームワークを提案する。 DataDream fine-tunes LoRA weights for the image generation model on the few real image before generated the training data using the adapt model。 次に、合成データを用いてCLIPのLoRA重みを微調整し、様々なデータセットに対する以前のアプローチよりも下流画像の分類を改善する。
  論文  参考訳（メタデータ） (2024-07-15T17:10:31Z)
• Training Class-Imbalanced Diffusion Model Via Overlap Optimization [55.96820607533968]
  実世界のデータセットで訓練された拡散モデルは、尾クラスの忠実度が劣ることが多い。 拡散モデルを含む深い生成モデルは、豊富な訓練画像を持つクラスに偏りがある。 本研究では,異なるクラスに対する合成画像の分布の重複を最小限に抑えるために,コントラスト学習に基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-02-16T16:47:21Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• Boosting Dermatoscopic Lesion Segmentation via Diffusion Models with Visual and Textual Prompts [27.222844687360823]
  我々は、病変特異的な視覚的およびテキスト的プロンプトを用いた制御フローを追加して、生成モデルの最新の進歩に適応する。 SSIM画像の品質測定では9%以上,Dice係数は5%以上向上する。
  論文  参考訳（メタデータ） (2023-10-04T15:43:26Z)
• Augmenting medical image classifiers with synthetic data from latent diffusion models [12.077733447347592]
  我々は,潜伏拡散モデルが皮膚疾患の画像を生成することを実証した。 我々は,複数の生成戦略を用いて生成した458,920個の合成画像の新しいデータセットを生成し,解析する。
  論文  参考訳（メタデータ） (2023-08-23T22:34:49Z)
• 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)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)
• Diffusion-based Data Augmentation for Skin Disease Classification: Impact Across Original Medical Datasets to Fully Synthetic Images [2.5075774184834803]
  深層ニューラルネットワークは、過度な適合を避けるために、依然として大量のトレーニングデータに依存している。 医療のような現実世界のアプリケーションのためのラベル付きトレーニングデータには制限があり、アクセスが困難である。 我々は,我々の大脳皮質皮膚疾患データセットのトレーニングサンプルを増強する上で,テキスト・画像拡散確率モデルの成功を生かした。
  論文  参考訳（メタデータ） (2023-01-12T04:22:23Z)
• Person Image Synthesis via Denoising Diffusion Model [116.34633988927429]
  本研究では,高忠実度人物画像合成に拡散モデルをいかに応用できるかを示す。 2つの大規模ベンチマークとユーザスタディの結果は、挑戦的なシナリオ下で提案したアプローチのフォトリアリズムを実証している。
  論文  参考訳（メタデータ） (2022-11-22T18:59:50Z)
• Analysis of skin lesion images with deep learning [0.0]
  内視鏡画像の分類における美術の現状を評価します。 ImageNetデータセットに事前トレーニングされた様々なディープニューラルネットワークアーキテクチャは、組み合わせたトレーニングデータセットに適合する。 皮膚病変の8クラスの検出のためのこれらのモデルの性能と適用性を検討する。
  論文  参考訳（メタデータ） (2021-01-11T10:58:36Z)

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。