Fugu-MT 論文翻訳(概要): Comments on 'Fast and scalable search of whole-slide images via self-supervised deep learning'

論文の概要: Comments on 'Fast and scalable search of whole-slide images via self-supervised deep learning'

arxiv url: http://arxiv.org/abs/2304.08297v3
Date: Tue, 6 Jun 2023 03:03:53 GMT
ステータス: 処理完了
システム内更新日: 2023-06-07 20:18:08.468066
Title: Comments on 'Fast and scalable search of whole-slide images via self-supervised deep learning'
Title（参考訳）: 自己教師付き深層学習による全スリッド画像の高速かつスケーラブルな検索」に関するコメント
Authors: Milad Sikaroudi, Mehdi Afshari, Abubakr Shafique, Shivam Kalra, H.R. Tizhoosh
Abstract要約: Chen2022は先日、Nature Biomedical Engineering誌に「自己教師付きディープラーニングによる全スライド画像の高速かつスケーラブルな検索」という記事を発表した。 SISH は Yottixel の漸進的な修正であり,MinMax のバイナライゼーションを使用しているが,原著を引用せず,ミスノマーによる自己監督画像検索に基づいている,という懸念を表明する。
参考スコア（独自算出の注目度）: 2.58115441516441
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Chen et al. [Chen2022] recently published the article 'Fast and scalable search of whole-slide images via self-supervised deep learning' in Nature Biomedical Engineering. The authors call their method 'self-supervised image search for histology', short SISH. We express our concerns that SISH is an incremental modification of Yottixel, has used MinMax binarization but does not cite the original works, and is based on a misnomer 'self-supervised image search'. As well, we point to several other concerns regarding experiments and comparisons performed by Chen et al.
Abstract（参考訳）: チェンなど。 [chen2022]は最近、nature biomedical engineeringで、"fast and scalable search of whole-slide images via self-supervised deep learning"という記事を発表した。著者らはこれらの手法を「組織学のための自己監督画像検索」、略称SISHと呼んでいる。 SISH は Yottixel の漸進的な修正であり,MinMax のバイナライゼーションは用いてきたが,原著を引用せず,誤用した「自己監督画像検索」に基づいている,という懸念を表明する。また、Chenらによる実験と比較に関する他の懸念についても指摘する。

関連論文リスト

Detecting Generated Images by Real Images Only [64.12501227493765]
既存の画像検出手法は、生成画像中の視覚的アーティファクトを検出したり、大規模なトレーニングによって、実画像と生成画像の両方から識別的特徴を学習する。本稿では,新たな視点から生成した画像検出問題にアプローチする。実画像の共通性を見つけ、特徴空間内の密接な部分空間にマッピングすることで、生成した画像は生成モデルに関係なくサブ空間の外側に投影される。
論文参考訳（メタデータ） (2023-11-02T03:09:37Z)
Ranking Loss and Sequestering Learning for Reducing Image Search Bias in Histopathology [0.6595290783361959]
本稿では,画像検索性能を改善するための2つの新しいアイデアを提案する。まず、ランキング損失関数を用いて特徴抽出を検索のマッチング指向性に向けて誘導する。第2に,特徴抽出の一般化を促進するために,選択学習の概念を導入する。
論文参考訳（メタデータ） (2023-04-15T03:38:09Z)
Deep Image Matting: A Comprehensive Survey [85.77905619102802]
本稿では,ディープラーニング時代における画像マッチングの最近の進歩を概観する。本稿では,補助的な入力ベースの画像マッチングと,自動的な画像マッチングという,2つの基本的なサブタスクに焦点を当てる。画像マッチングの関連応用について論じ,今後の研究への課題と可能性を明らかにする。
論文参考訳（メタデータ） (2023-04-10T15:48:55Z)
Abstract Images Have Different Levels of Retrievability Per Reverse Image Search Engine [6.370905925442655]
画像の再検索がいかに困難か(検索可能性)、返却された画像の割合が関連しているか(精度)、訪問者が提出した画像を見つける前にレビューしなければならない結果の平均数を測定する。同じ画像を同じ画像の中に再発見しようとすると、Yandexは最高に機能する。 GoogleとYandexは、それぞれ0.8191点から0.8297点の精度で写真を発見したとき、他より優れていた。
論文参考訳（メタデータ） (2022-11-03T19:40:46Z)
A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文参考訳（メタデータ） (2022-09-22T22:27:08Z)
MMV_Im2Im: An Open Source Microscopy Machine Vision Toolbox for Image-to-Image Transformation [0.571097144710995]
バイオイメージングアプリケーションにおける画像・画像変換のための新しいオープンソースpythonパッケージMMV_Im2Imを導入する。パッケージ全体は汎用的なイメージからイメージへの変換フレームワークで設計されている。 MMV_Im2Imの10種以上の生体医学的問題に対する有効性を示した。
論文参考訳（メタデータ） (2022-09-06T13:42:17Z)
Shrinking the Semantic Gap: Spatial Pooling of Local Moment Invariants for Copy-Move Forgery Detection [7.460203098159187]
Copy-move forgeryは、特定のパッチをコピー&ペーストして画像に貼り付ける操作で、潜在的に違法または非倫理的使用がある。コピー・ムーブ・フォージェリーの法医学的手法の進歩は,検出精度とロバスト性の向上に寄与している。自己相似性が高い画像や強い信号の破損のある画像の場合、既存のアルゴリズムはしばしば非効率なプロセスと信頼性の低い結果を示す。
論文参考訳（メタデータ） (2022-07-19T09:11:43Z)
The Curious Layperson: Fine-Grained Image Recognition without Expert Labels [90.88501867321573]
我々は、専門家のアノテーションを使わずに、きめ細かい画像認識という新しい問題を考える。非専門的な画像記述を用いてオブジェクトの視覚的外観を記述するモデルを学ぶ。次に、画像記述と文書とを文レベルでマッチングする、きめ細かいテキスト類似性モデルを訓練する。
論文参考訳（メタデータ） (2021-11-05T17:58:37Z)
Improving Object Detection with Selective Self-supervised Self-training [62.792445237541145]
本研究では,Web画像を利用した人為的対象検出データセットの強化について検討する。画像と画像の検索によりWebイメージを検索し、他の検索手法に比べて、キュレートされたデータからのドメインシフトが少なくなる。画像分類のためのラベルのないデータを探索する2つの並列処理をモチベーションとした新しい学習手法を提案する。
論文参考訳（メタデータ） (2020-07-17T18:05:01Z)
Extending and Analyzing Self-Supervised Learning Across Domains [50.13326427158233]
近年,自己指導型表現学習が目覚ましい成果を上げている。実験は主にImageNetや他の同様の大規模なインターネット画像データセット上で行われる。我々は、前例のない様々なドメインで、いくつかのポピュラーな手法を実験した。
論文参考訳（メタデータ） (2020-04-24T21:18:02Z)
Learning Transformation-Aware Embeddings for Image Forensics [15.484408315588569]
Image Provenance Analysisは、コンテンツを共有するさまざまな操作されたイメージバージョン間の関係を見つけることを目的としている。証明分析のための主要なサブプロブレムの1つは、完全なコンテンツを共有したり、ほぼ重複している画像の編集順序である。本稿では,1つの画像から生成した画像に対して,変換を通じて妥当な順序付けを行うための,新しい深層学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-01-13T22:01:24Z)

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。