論文の概要: CMC v2: Towards More Accurate COVID-19 Detection with Discriminative Video Priors

• arxiv url: http://arxiv.org/abs/2211.14557v1
• Date: Sat, 26 Nov 2022 13:06:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-29 19:59:59.592802
• Title: CMC v2: Towards More Accurate COVID-19 Detection with Discriminative Video Priors
• Title（参考訳）: CMC v2: 差別ビデオでより正確なCOVID-19検出を目指す
• Authors: Junlin Hou, Jilan Xu, Nan Zhang, Yi Wang, Yuejie Zhang, Xiaobo Zhang, and Rui Feng
• Abstract要約: 本稿では,欧州コンピュータビジョン会議(ECCV 2022)におけるAIIAワークショップの枠組みの中で発生した第2回COVID-19コンペティションの解決策について述べる。 14チーム中、CMC v2は第2回COVID-19コンペティションで1位となり、マクロF1スコアは89.11%だった。
• 参考スコア（独自算出の注目度）: 16.283336554974767
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents our solution for the 2nd COVID-19 Competition, occurring in the framework of the AIMIA Workshop at the European Conference on Computer Vision (ECCV 2022). In our approach, we employ the winning solution last year which uses a strong 3D Contrastive Mixup Classifcation network (CMC v1) as the baseline method, composed of contrastive representation learning and mixup classification. In this paper, we propose CMC v2 by introducing natural video priors to COVID-19 diagnosis. Specifcally, we adapt a pre-trained (on video dataset) video transformer backbone to COVID-19 detection. Moreover, advanced training strategies, including hybrid mixup and cutmix, slicelevel augmentation, and small resolution training are also utilized to boost the robustness and the generalization ability of the model. Among 14 participating teams, CMC v2 ranked 1st in the 2nd COVID-19 Competition with an average Macro F1 Score of 89.11%.
• Abstract（参考訳）: 本稿では,欧州コンピュータビジョン会議(ECCV 2022)におけるAIIAワークショップの枠組みの中で発生した第2回COVID-19コンペティションの解決策について述べる。 提案手法では,コントラスト表現学習とミックスアップ分類からなるベースライン手法として,強固な3次元コントラストミックスアップクラスifcation network (cmc v1) を用いた。 本稿では、新型コロナウイルスの診断に先立って、自然ビデオを導入したCMC v2を提案する。 スペック的には、プリトレーニングされた(ビデオデータセット上の)ビデオトランスフォーマーバックボーンを、covid-19検出に適応させます。 さらに,ハイブリッドミックスアップやカットミックス,スライスレベル拡張,小さな解像度トレーニングといった高度なトレーニング戦略も活用し,モデルの堅牢性と一般化能力を高める。 14チーム中、CMC v2は第2回COVID-19コンクールで1位となり、マクロF1スコアは89.11%だった。

関連論文リスト

• AIM 2024 Challenge on Compressed Video Quality Assessment: Methods and Results [120.95863275142727]
  本稿では,ECCV 2024における画像操作の進歩(AIM)ワークショップと共同で開催されている圧縮映像品質評価の課題について述べる。 この課題は、様々な圧縮標準の14コーデックで符号化された459本の動画の多様なデータセット上で、VQA法の性能を評価することであった。
  論文  参考訳（メタデータ） (2024-08-21T20:32:45Z)
• Robust COVID-19 Detection in CT Images with CLIP [21.809469794865887]
  深層学習モデルは、特に新型コロナウイルス検出において、医療画像の課題に直面している。 凍結したCLIP画像エンコーダとトレーニング可能な多層認識(MLP)を活用して,これらの障害を克服するための最初の軽量検出器を提案する。 教師と学生のフレームワークを統合して、大量のラベルのないデータに便乗し、本質的なデータ制限にもかかわらず、我々のモデルは優れたパフォーマンスを達成できる。
  論文  参考訳（メタデータ） (2024-03-13T20:26:50Z)
• CoMAE: Single Model Hybrid Pre-training on Small-Scale RGB-D Datasets [50.6643933702394]
  本稿では,RGBと深度変調のための単一モデル自己教師型ハイブリッド事前学習フレームワークについて述べる。 我々のCoMAEは、コントラスト学習とマスク画像モデリングという2つの一般的な自己教師付き表現学習アルゴリズムを統合するためのカリキュラム学習戦略を提示している。
  論文  参考訳（メタデータ） (2023-02-13T07:09:45Z)
• Boosting COVID-19 Severity Detection with Infection-aware Contrastive Mixup Classifcation [14.255924274624368]
  重症度評価のための3次元コントラスト混合分類ネットワークを考案した。 新型コロナウイルスの重症度検出のリーダーボードでは、我々のアプローチがマイロF1スコア51.76%のフレストで勝利した。
  論文  参考訳（メタデータ） (2022-11-26T13:11:44Z)
• REST: REtrieve & Self-Train for generative action recognition [54.90704746573636]
  本稿では,ビデオ・アクション認識のための事前学習型生成ビジョン・アンド・ランゲージ(V&L)基礎モデルを提案する。 動作クラスを生成するための生成モデルの直接微調整は、過度な過度なオーバーフィッティングに苦しむことを示す。 2つの主要なコンポーネントからなるトレーニングフレームワークであるRESTを紹介します。
  論文  参考訳（メタデータ） (2022-09-29T17:57:01Z)
• FDVTS's Solution for 2nd COV19D Competition on COVID-19 Detection and Severity Analysis [10.334617290353194]
  胸部CT画像のCOVID-19診断に有効な3次元コントラシティブ・ミックスアップ分類ネットワークを用いた。 新型コロナウイルス検出の課題では、484のCTスキャンで0.9245のマクロF1スコアに達し、ベースライン法を16.5%上回る結果となった。 重症度検出の課題では,61検体に対して0.7186マクロF1スコアを達成し,ベースラインを8.86%上回る結果となった。
  論文  参考訳（メタデータ） (2022-07-05T01:35:29Z)
• AI-MIA: COVID-19 Detection & Severity Analysis through Medical Imaging [3.6170587429082195]
  COV19-CT-DBデータベースは、約7,700個の3DCTスキャンからなる新型コロナウイルスの予防のために注釈付けされている。 トレーニング、検証、テストデータセットで、データベースと後者を分割しました。 ベースラインアプローチは、CNN-RNNネットワークに基づくディープラーニングアプローチで構成され、そのパフォーマンスをCOVID19-CT-DBデータベースに報告する。
  論文  参考訳（メタデータ） (2022-06-09T19:09:01Z)
• Evaluating the COVID-19 Identification ResNet (CIdeR) on the INTERSPEECH COVID-19 from Audio Challenges [59.78485839636553]
  CIdeRはエンド・ツー・エンドのディープラーニング・ニューラルネットワークで、個人が新型コロナウイルス陽性か新型コロナウイルス陰性かを分類するために設計された。 COVID-19 CoughとInterSPEECH 2021, ComParE, DiCOVAの両者によるCIdeRのバイナリ診断の可能性を示した。
  論文  参考訳（メタデータ） (2021-07-30T10:59:08Z)
• Two-Stream Consensus Network: Submission to HACS Challenge 2021 Weakly-Supervised Learning Track [78.64815984927425]
  弱い監督による時間的行動ローカライゼーションの目標は、ビデオの興味ある動作を時間的に特定し、分類することである。 この課題では,2ストリームコンセンサスネットワーク(TSCN)を主要なフレームワークとして採用しています。 この課題では,本手法が今後の学術研究のベースラインとなることを期待して,第2位にランクインした。
  論文  参考訳（メタデータ） (2021-06-21T03:36:36Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• COV-ELM classifier: An Extreme Learning Machine based identification of COVID-19 using Chest X-Ray Images [1.6933326930404444]
  本稿では,新型コロナウイルスの分類問題として,新型コロナウイルス,正常クラス,肺炎クラスを区別する3クラス分類問題を提案する。 提案モデルのマクロ平均F1スコアは0.95で、全体の感度は95%の信頼区間で0.94 pm 0.02であった。 このスーパーピクセルは、COVID-19および肺炎の臨床的に観察されるヒト肺の領域に対応することが観察された。
  論文  参考訳（メタデータ） (2020-07-16T21:03:22Z)

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。