論文の概要: DeepFEL: Deep Fastfood Ensemble Learning for Histopathology Image Analysis

• arxiv url: http://arxiv.org/abs/2301.09525v1
• Date: Mon, 23 Jan 2023 16:16:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 12:57:06.657685
• Title: DeepFEL: Deep Fastfood Ensemble Learning for Histopathology Image Analysis
• Title（参考訳）: DeepFEL: 病理画像解析のためのDeep Fastfood Ensemble Learning
• Authors: Nima Hatami
• Abstract要約: Deep Fastfood Ensembles(ディープファストフード・アンサンブルズ)は、完全に異なるソースドメインで事前トレーニングされた人気のあるCNNモデルからプールされたディープ機能を組み合わせる方法である。 最終的なアンサンブル出力は、単純な個別分類器のコンセンサスによって得られ、それぞれがランダム基底ベクトルの異なるコレクションに基づいて訓練される。 組織像解析における3つの課題に対する最先端の手法と比較して,提案した深層食品アンサンブル学習の有効性を実証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Computational pathology tasks have some unique characterises such as multi-gigapixel images, tedious and frequently uncertain annotations, and unavailability of large number of cases [13]. To address some of these issues, we present Deep Fastfood Ensembles - a simple, fast and yet effective method for combining deep features pooled from popular CNN models pre-trained on totally different source domains (e.g., natural image objects) and projected onto diverse dimensions using random projections, the so-called Fastfood [11]. The final ensemble output is obtained by a consensus of simple individual classifiers, each of which is trained on a different collection of random basis vectors. This offers extremely fast and yet effective solution, especially when training times and domain labels are of the essence. We demonstrate the effectiveness of the proposed deep fastfood ensemble learning as compared to the state-of-the-art methods for three different tasks in histopathology image analysis.
• Abstract（参考訳）: 計算病理タスクには, マルチギガピクセル画像, 退屈で頻繁なアノテーション, 多数のケースの有効性など, 特有の特徴がある。 これらの問題に対処するために、Deep Fastfood Ensembles - 完全に異なるソースドメイン(例えば、自然言語オブジェクト)で事前トレーニングされた、ランダムなプロジェクションを使用してさまざまな次元に投影された、一般的なCNNモデルからサンプリングされた、シンプルで高速で効果的な機能を組み合わせるための、Deep Fastfood Ensembles - いわゆるFastfood [11]を提案する。 最終的なアンサンブル出力は、単純な個別分類器のコンセンサスによって得られ、それぞれがランダム基底ベクトルの異なるコレクションに基づいて訓練される。 これは、特にトレーニング時間とドメインラベルが重要な場合に、非常に高速で効果的なソリューションを提供します。 組織像解析における3つの課題に対する最先端の手法と比較して,提案手法の有効性を実証する。

関連論文リスト

• Recognizing Multiple Ingredients in Food Images Using a Single-Ingredient Classification Model [4.409722014494348]
  本研究では,食品画像から区切られた成分を認識するための高度なアプローチを提案する。 本手法は、位置決めおよびスライドウインドウ技術を用いて、成分の候補領域をローカライズする。 分類モデルの効率を向上する新しいモデルプルーニング法を提案する。
  論文  参考訳（メタデータ） (2024-01-26T00:46:56Z)
• Two Approaches to Supervised Image Segmentation [55.616364225463066]
  本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。 ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。 代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
  論文  参考訳（メタデータ） (2023-07-19T16:42:52Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• Video Anomaly Detection by Solving Decoupled Spatio-Temporal Jigsaw Puzzles [67.39567701983357]
  ビデオ異常検出(VAD)はコンピュータビジョンにおいて重要なトピックである。 近年の自己教師型学習の進歩に触発された本論文は,直感的かつ難解なプレテキストタスクを解くことによって,VADに対処する。 提案手法は3つの公開ベンチマークにおいて最先端のベンチマークよりも優れている。
  論文  参考訳（メタデータ） (2022-07-20T19:49:32Z)
• Fusing Local Similarities for Retrieval-based 3D Orientation Estimation of Unseen Objects [70.49392581592089]
  我々は,モノクロ画像から未確認物体の3次元配向を推定する作業に取り組む。 我々は検索ベースの戦略に従い、ネットワークがオブジェクト固有の特徴を学習するのを防ぐ。 また,LineMOD,LineMOD-Occluded,T-LESSのデータセットを用いた実験により,本手法が従来の手法よりもはるかに優れた一般化をもたらすことが示された。
  論文  参考訳（メタデータ） (2022-03-16T08:53:00Z)
• Hybrid Optimized Deep Convolution Neural Network based Learning Model for Object Detection [0.0]
  物体の識別はコンピュータビジョンにおける最も基本的で難しい問題の1つである。 近年,ディープラーニングに基づく物体検出技術が大衆の関心を集めている。 本研究では,自律型物体検出システムを構築するために,独自のディープラーニング分類手法を用いる。 提案するフレームワークは検出精度0.9864であり、現在の技術よりも高い。
  論文  参考訳（メタデータ） (2022-03-02T04:39:37Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Federated Learning for Computational Pathology on Gigapixel Whole Slide Images [4.035591045544291]
  計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。 スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2020-09-21T21:56:08Z)
• OT-driven Multi-Domain Unsupervised Ultrasound Image Artifact Removal using a Single CNN [36.574477281492]
  超音波イメージング(US)は、様々なソースの異なる画像アーティファクトに悩まされることが多い。 我々は、単一のニューラルネットワークを使って、異なるタイプの米国のアーティファクトを処理できる、新しい、教師なしのディープラーニングアプローチを提案する。 我々のアルゴリズムは、カスケードされた確率測度に対する最適輸送(OT)理論を用いて厳密に導出される。
  論文  参考訳（メタデータ） (2020-07-10T07:11:04Z)
• Deep Multimodal Neural Architecture Search [178.35131768344246]
  様々なマルチモーダル学習タスクのための一般化された深層マルチモーダルニューラルアーキテクチャサーチ(MMnas)フレームワークを考案する。 マルチモーダル入力が与えられたら、まずプリミティブ演算のセットを定義し、その後、ディープエンコーダ-デコーダベースの統一バックボーンを構築する。 統合されたバックボーンの上にタスク固有のヘッドをアタッチして、異なるマルチモーダル学習タスクに取り組む。
  論文  参考訳（メタデータ） (2020-04-25T07:00:32Z)

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。