Fugu-MT 論文翻訳(概要): Classification of Human Monkeypox Disease Using Deep Learning Models and Attention Mechanisms

論文の概要: Classification of Human Monkeypox Disease Using Deep Learning Models and Attention Mechanisms

arxiv url: http://arxiv.org/abs/2211.15459v1
Date: Mon, 21 Nov 2022 13:30:34 GMT
ステータス: 処理完了
システム内更新日: 2022-12-04 14:07:23.530357
Title: Classification of Human Monkeypox Disease Using Deep Learning Models and Attention Mechanisms
Title（参考訳）: 深層学習モデルと注意機構を用いたヒトサルポックス病の分類
Authors: Md. Enamul Haque, Md. Rayhan Ahmed, Razia Sultana Nila, Salekul Islam
Abstract要約: ヒトサルポックス病症候群はチキンポックスと非常によく似ており、麻疹の古典的な症状である。さまざまなディープラーニング手法が、画像に基づく新型コロナウイルスの診断において有望なパフォーマンスを示している。 Xception-CBAM-Dense層からなるアーキテクチャは、ヒトサルポックスの分類において他のモデルよりも優れた性能を示した。
参考スコア（独自算出の注目度）: 0.9257985820122999
License: http://creativecommons.org/licenses/by/4.0/
Abstract: As the world is still trying to rebuild from the destruction caused by the widespread reach of the COVID-19 virus, and the recent alarming surge of human monkeypox disease outbreaks in numerous countries threatens to become a new global pandemic too. Human monkeypox disease syndromes are quite similar to chickenpox, and measles classic symptoms, with very intricate differences such as skin blisters, which come in diverse forms. Various deep-learning methods have shown promising performances in the image-based diagnosis of COVID-19, tumor cell, and skin disease classification tasks. In this paper, we try to integrate deep transfer-learning-based methods, along with a convolutional block attention module (CBAM), to focus on the relevant portion of the feature maps to conduct an image-based classification of human monkeypox disease. We implement five deep-learning models, VGG19, Xception, DenseNet121, EfficientNetB3, and MobileNetV2, along with integrated channel and spatial attention mechanisms, and perform a comparative analysis among them. An architecture consisting of Xception-CBAM-Dense layers performed better than the other models at classifying human monkeypox and other diseases with a validation accuracy of 83.89%.
Abstract（参考訳）: 世界は新型コロナウイルス(covid-19)の広がりによって引き起こされる破壊から再建を試みており、また、最近多くの国で発生したヒトサルポックス病の急増は、新たな世界的なパンデミックになることを脅かしている。ヒトのサルポックス病症候群はチキンポックスと非常に似ており、麻疹の古典的な症状は皮膚のブリスターのような様々な形態で非常に複雑な差異がある。様々なディープラーニング手法は、covid-19、腫瘍細胞、皮膚疾患分類タスクのイメージベース診断において有望な性能を示している。本稿では,ヒトサルポックス病の画像分類を行うために,深層移動学習に基づく手法と,畳み込みブロックアテンションモジュール(CBAM)を統合して特徴マップの関連部分に焦点をあてる。我々は,VGG19,Xception,DenseNet121,EfficientNetB3,MobileNetV2の5つのディープラーニングモデルと統合チャネルと空間的注意機構を実装し,その比較分析を行った。 Xception-CBAM-Dense層からなるアーキテクチャは、ヒトサルポックスや他の疾患を83.89%の精度で分類する他のモデルよりも優れた性能を示した。

関連論文リスト

MpoxVLM: A Vision-Language Model for Diagnosing Skin Lesions from Mpox Virus Infection [5.161537754987037]
ムポックス(サルポックスウイルスによる)は、しばしば診断されない動物感染症の顕著な例である。 MpoxVLMは, 皮膚病変画像と患者臨床情報の両方を分析し, mpoxの検出を目的とした視覚言語モデル(VLM)を提案する。本研究は, mpox検出における90.38%の精度を達成し, mpox対策における早期診断精度を向上させるための有望な経路を提供する。
論文参考訳（メタデータ） (2024-11-16T21:09:04Z)
Attention Based Feature Fusion Network for Monkeypox Skin Lesion Detection [0.09642500063568188]
最近のサルポックスの流行は公衆衛生に重大な懸念をもたらしている。深層学習アルゴリズムは、新型コロナウイルス(COVID-19)を含む病気の特定に利用できる。本稿では,ヒトサルポックス病を分類するために,事前学習した2つのアーキテクチャをマージする軽量モデルを提案する。
論文参考訳（メタデータ） (2024-08-13T05:21:03Z)
Agent-Based Model: Simulating a Virus Expansion Based on the Acceptance of Containment Measures [65.62256987706128]
比較疫学モデルは、疾患の状態に基づいて個人を分類する。我々は、適応されたSEIRDモデルと市民のための意思決定モデルを組み合わせたABMアーキテクチャを提案する。スペイン・ア・コルナにおけるSARS-CoV-2感染症の進行状況について検討した。
論文参考訳（メタデータ） (2023-07-28T08:01:05Z)
Human Behavior in the Time of COVID-19: Learning from Big Data [71.26355067309193]
2020年3月以降、新型コロナウイルスの感染者は6億人を超え、600万人以上が死亡している。パンデミックはあらゆる面で人間の行動に影響を与え、変化をもたらした。研究者は自然言語処理、コンピュータビジョン、音声信号処理、頻繁なパターンマイニング、機械学習といったビッグデータ技術を採用してきた。
論文参考訳（メタデータ） (2023-03-23T17:19:26Z)
Transfer learning and Local interpretable model agnostic based visual approach in Monkeypox Disease Detection and Classification: A Deep Learning insights [0.0]
近年のサルポックス病は、世界がまだコロナウイルス病2019(COVID-19)と戦っているときに、世界的なパンデミックの脅威となる。我々は、VGG16、InceptionResNetV2、ResNet50、ResNet101、MobileNetV2、VGG19を用いたトランスファー学習アプローチの6つの異なるディープラーニングモデルの修正とテストを行った。予備計算の結果,改良型InceptionResNetV2モデルとMobileNetV2モデルは,93%から99%の精度で高い性能を示した。
論文参考訳（メタデータ） (2022-11-01T18:07:34Z)
Image Data collection and implementation of deep learning-based model in detecting Monkeypox disease using modified VGG16 [0.0]
新たに開発された"Monkeypox2022"データセットを紹介します。研究1と2の2つの異なる研究を含む改良VGG16モデルを提案し評価する。検討の結果,サルポックス患者を9.7pm1.8%の精度で同定できることが示唆された。
論文参考訳（メタデータ） (2022-06-04T00:34:15Z)
Multimodal Detection of COVID-19 Symptoms using Deep Learning & Probability-based Weighting of Modes [2.8388425545775386]
新型コロナウイルスのパンデミックは、21世紀で最も困難な医療危機の1つだ。新型コロナウイルス(COVID-19)の患者は、うっ血、発熱、息の短さなど、複数の症状を呈することがある。本稿では,既存の深層学習分類器と新しい確率に基づく重み付け機能を組み込むことで,新型コロナウイルスの予測を行うマルチモーダル手法を提案する。
論文参考訳（メタデータ） (2021-09-03T10:58:59Z)
A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
アミノ酸の順序を保つことで,分類器の精度が向上することを示す。また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
論文参考訳（メタデータ） (2021-08-07T15:08:15Z)
In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
論文参考訳（メタデータ） (2021-04-06T02:01:43Z)
Understanding the temporal evolution of COVID-19 research through machine learning and natural language processing [66.63200823918429]
重症急性呼吸器症候群2号(SARS-CoV-2)による新型コロナウイルス感染症(COVID-19)の流行は、世界中の人々の生活や社会に影響を与え続けている。私たちは複数のデータソース、すなわちPubMedとArXivを使用し、現在のCOVID-19研究の風景を特徴づけるために、いくつかの機械学習モデルを構築しました。調査の結果,PubMedとArXivで利用可能な研究の種類は異なることが確認された。
論文参考訳（メタデータ） (2020-07-22T18:02:39Z)
Cross-lingual Transfer Learning for COVID-19 Outbreak Alignment [90.12602012910465]
われわれは、Twitterを通じてイタリアの新型コロナウイルス感染症(COVID-19)の早期流行を訓練し、他のいくつかの国に移る。実験の結果,クロスカントリー予測において最大0.85のスピアマン相関が得られた。
論文参考訳（メタデータ） (2020-06-05T02:04:25Z)

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。