論文の概要: End to End Generative Meta Curriculum Learning For Medical Data
Augmentation
- arxiv url: http://arxiv.org/abs/2212.10086v1
- Date: Tue, 20 Dec 2022 08:54:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 17:10:41.395678
- Title: End to End Generative Meta Curriculum Learning For Medical Data
Augmentation
- Title(参考訳): 医学データ拡張のためのエンドツーエンドのメタカリキュラム学習
- Authors: Meng Li, Brian Lovell
- Abstract要約: 最近の医用画像合成増強技術は、GAN(Generative Adversarial Network)の集中的利用に依存している
本稿では,1つの教師モデルのみを用いて,タスク特化モデル(学生)をエンドツーエンドに学習する新しいメタカリキュラム学習手法を提案する。
GANのジェネレータと差別装置が互いに競合するのに対し、教師と生徒は、目標タスクにおける生徒のパフォーマンスを改善するために協力する。
- 参考スコア(独自算出の注目度): 2.471925498075058
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Current medical image synthetic augmentation techniques rely on intensive use
of generative adversarial networks (GANs). However, the nature of GAN
architecture leads to heavy computational resources to produce synthetic images
and the augmentation process requires multiple stages to complete. To address
these challenges, we introduce a novel generative meta curriculum learning
method that trains the task-specific model (student) end-to-end with only one
additional teacher model. The teacher learns to generate curriculum to feed
into the student model for data augmentation and guides the student to improve
performance in a meta-learning style. In contrast to the generator and
discriminator in GAN, which compete with each other, the teacher and student
collaborate to improve the student's performance on the target tasks. Extensive
experiments on the histopathology datasets show that leveraging our framework
results in significant and consistent improvements in classification
performance.
- Abstract(参考訳): 現在の医療画像合成増強技術は、GAN(Generative Adversarial Network)の集中的な利用に依存している。
しかし、GANアーキテクチャの性質は、合成画像を生成するための重い計算資源をもたらし、拡張プロセスには複数の段階が必要である。
そこで本稿では,タスク特化モデル(sudent)のエンド・ツー・エンドを1つの教師モデルで学習する,新しい生成型メタカリキュラム学習手法を提案する。
教師は、データ拡張のための学生モデルにフィードするカリキュラムを作成することを学び、メタラーニングスタイルのパフォーマンスを改善するように学生を指導する。
GANのジェネレータと差別装置が互いに競合するのに対し、教師と生徒は、目標タスクにおける生徒のパフォーマンスを改善するために協力する。
病理組織学データセットの大規模な実験により、我々のフレームワークを活用することにより、分類性能が大幅に改善されることが示された。
関連論文リスト
- HistGen: Histopathology Report Generation via Local-Global Feature
Encoding and Cross-modal Context Interaction [16.060286162384536]
HistGenは、病理組織学レポート生成のための学習可能なフレームワークである。
スライド画像全体(WSI)と局所的およびグローバルな粒度からの診断レポートを整列させることで、レポート生成を促進することを目的としている。
WSIレポート生成実験の結果,提案手法は最先端モデル(SOTA)よりも大きなマージンで優れていた。
論文 参考訳(メタデータ) (2024-03-08T15:51:43Z) - CLGT: A Graph Transformer for Student Performance Prediction in
Collaborative Learning [6.140954034246379]
協調学習のための拡張グラフトランスフォーマーフレームワーク(CLGT)を提案する。
実験結果から,提案したCLGTは,実世界のデータセットに基づいて予測を行うという点で,ベースラインモデルよりも優れていたことが確認された。
論文 参考訳(メタデータ) (2023-07-30T09:54:30Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳(メタデータ) (2023-02-23T06:16:15Z) - EmbedDistill: A Geometric Knowledge Distillation for Information
Retrieval [83.79667141681418]
大規模なニューラルモデル(トランスフォーマーなど)は、情報検索(IR)のための最先端のパフォーマンスを達成する
本研究では,大規模教師モデルで学習したクエリとドキュメント間の相対的幾何を利用した新しい蒸留手法を提案する。
提案手法は, 両エンコーダ (DE) とクロスエンコーダ (CE) の2種類の教師モデルから, 95~97%の教師性能を維持できる1/10の非対称な学生への蒸留に成功した。
論文 参考訳(メタデータ) (2023-01-27T22:04:37Z) - Synthetic data generation method for data-free knowledge distillation in
regression neural networks [0.0]
知識蒸留は、教師として知られる大きなニューラルネットワークを、学生として知られる小さなニューラルネットワークに圧縮する技術である。
従来, 学生モデルに逆らって学習したジェネレータモデルを用いて, 合成データを生成可能なデータフリー知識蒸留法が提案されてきた。
本研究では, 各種合成データ生成手法の挙動について検討し, 新たな合成データ生成戦略を提案する。
論文 参考訳(メタデータ) (2023-01-11T07:26:00Z) - Conditioned Generative Transformers for Histopathology Image Synthetic
Augmentation [3.1616973611119494]
視覚変換器 (ViT) を用いたGAN (Generative Adversarial Network) は, 一般画像合成において優れた可能性を示した。
病理組織像の合成増強のために, 純粋な ViT ベースの条件付き GAN モデルを提案する。
論文 参考訳(メタデータ) (2022-12-20T03:40:44Z) - Distantly-Supervised Named Entity Recognition with Adaptive Teacher
Learning and Fine-grained Student Ensemble [56.705249154629264]
NERモデルの堅牢性を改善するために,自己学習型教員学生フレームワークを提案する。
本稿では,2つの教員ネットワークからなる適応型教員学習を提案する。
微粒な学生アンサンブルは、教師モデルの各フラグメントを、生徒の対応するフラグメントの時間移動平均で更新し、各モデルフラグメントのノイズに対する一貫した予測を強化する。
論文 参考訳(メタデータ) (2022-12-13T12:14:09Z) - Alignahead: Online Cross-Layer Knowledge Extraction on Graph Neural
Networks [6.8080936803807734]
グラフニューラルネットワーク(GNN)上の既存の知識蒸留手法はほとんどオフラインである。
本稿では,この問題を解決するための新しいオンライン知識蒸留フレームワークを提案する。
一方の学生層を別の学生モデルの異なる深さの層に整列させることにより, クロス層蒸留戦略を開発する。
論文 参考訳(メタデータ) (2022-05-05T06:48:13Z) - The Effect of Diversity in Meta-Learning [79.56118674435844]
少ないショット学習は、少数の例から見れば、新しいタスクに対処できる表現を学習することを目的としている。
近年の研究では,タスク分布がモデルの性能に重要な役割を担っていることが示されている。
タスクの多様性がメタ学習アルゴリズムに与える影響を評価するために,多種多様なモデルとデータセットのタスク分布について検討する。
論文 参考訳(メタデータ) (2022-01-27T19:39:07Z) - Dynamically Grown Generative Adversarial Networks [111.43128389995341]
本稿では、ネットワークアーキテクチャとそのパラメータを自動化とともに最適化し、トレーニング中にGANを動的に成長させる手法を提案する。
本手法はアーキテクチャ探索手法を勾配に基づく訓練とインターリーブステップとして組み込んで,ジェネレータと識別器の最適アーキテクチャ成長戦略を定期的に探究する。
論文 参考訳(メタデータ) (2021-06-16T01:25:51Z) - Distilling portable Generative Adversarial Networks for Image
Translation [101.33731583985902]
従来のネットワーク圧縮手法は、視覚的に認識されるタスクに焦点をあてるが、生成タスクには対処しない。
知識蒸留にインスパイアされた学生は、元の重教師ジェネレータから低レベルおよび高レベル情報を継承することにより、少ないパラメータの学生ジェネレータを訓練する。
生徒ジェネレータと生徒識別器を最適化するために、対向学習プロセスを確立する。
論文 参考訳(メタデータ) (2020-03-07T05:53:01Z)
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。