論文の概要: Multi-domain learning CNN model for microscopy image classification

• arxiv url: http://arxiv.org/abs/2304.10616v1
• Date: Thu, 20 Apr 2023 19:32:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-24 16:45:24.592810
• Title: Multi-domain learning CNN model for microscopy image classification
• Title（参考訳）: 顕微鏡画像分類のためのマルチドメイン学習CNNモデル
• Authors: Duc Hoa Tran, Michel Meunier, Farida Cheriet
• Abstract要約: 顕微鏡画像の分類のためのマルチドメイン学習アーキテクチャを提案する。 計算集約的な従来の方法とは異なり、Mobincepと呼ばれるコンパクトモデルを開発した。 最先端の結果を超え、ラベル付きデータに対して堅牢である。
• 参考スコア（独自算出の注目度）: 3.2835754110596236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For any type of microscopy image, getting a deep learning model to work well requires considerable effort to select a suitable architecture and time to train it. As there is a wide range of microscopes and experimental setups, designing a single model that can apply to multiple imaging domains, instead of having multiple per-domain models, becomes more essential. This task is challenging and somehow overlooked in the literature. In this paper, we present a multi-domain learning architecture for the classification of microscopy images that differ significantly in types and contents. Unlike previous methods that are computationally intensive, we have developed a compact model, called Mobincep, by combining the simple but effective techniques of depth-wise separable convolution and the inception module. We also introduce a new optimization technique to regulate the latent feature space during training to improve the network's performance. We evaluated our model on three different public datasets and compared its performance in single-domain and multiple-domain learning modes. The proposed classifier surpasses state-of-the-art results and is robust for limited labeled data. Moreover, it helps to eliminate the burden of designing a new network when switching to new experiments.
• Abstract（参考訳）: どんな顕微鏡画像でも、ディープラーニングモデルをうまく機能させるには、適切なアーキテクチャとトレーニング時間を選択するのにかなりの労力が必要です。 幅広い顕微鏡や実験装置が存在するため、複数のドメイン単位のモデルではなく、複数のイメージングドメインに適用可能な単一のモデルを設計することがより重要となる。 この仕事は困難であり、文学では見過ごされている。 本稿では,形態や内容によって異なる顕微鏡画像の分類のための多領域学習アーキテクチャを提案する。 計算集約的な従来の手法とは異なり、深度的に分離可能な畳み込みと開始モジュールの単純かつ効果的な手法を組み合わせることで、Mobincepと呼ばれるコンパクトモデルを開発した。 また,ネットワークの性能向上のために,トレーニング中に潜在機能空間を規制する新たな最適化手法を導入する。 3つの異なるパブリックデータセットでモデルを評価し、単一ドメインと複数ドメインの学習モードでの性能を比較した。 提案した分類器は最先端の結果を超え,ラベル付きデータに対して堅牢である。 さらに、新しい実験に切り替える際に、新しいネットワークを設計することの負担をなくすのに役立つ。

関連論文リスト

• MTP: Advancing Remote Sensing Foundation Model via Multi-Task Pretraining [73.81862342673894]
  ファンデーションモデルは、様々な画像解釈タスクを強化することで、リモートセンシング(RS)のランドスケープを再構築した。 事前訓練されたモデルを下流のタスクに転送することは、イメージ分類やオブジェクト識別タスクとして事前訓練の定式化によるタスクの相違に遭遇する可能性がある。 SAMRSデータセット上で、セマンティックセグメンテーション、インスタンスセグメンテーション、回転オブジェクト検出を含むマルチタスクによる事前トレーニングを行う。 我々のモデルは、シーン分類、水平・回転物体検出、セマンティックセグメンテーション、変化検出など、様々なRS下流タスクに基づいて微調整される。
  論文  参考訳（メタデータ） (2024-03-20T09:17:22Z)
• Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
  人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。 本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。 ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
  論文  参考訳（メタデータ） (2023-08-04T10:28:48Z)
• Multi-Domain Learning with Modulation Adapters [33.54630534228469]
  マルチドメイン学習は、複数のドメインにまたがる画像分類など、関連するタスクを同時に処理することを目的としている。 変調アダプタは、各タスクに対して乗法的にモデルの畳み込み重みを更新する。 我々のアプローチは、既存の最先端のアプローチと同等かそれ以上の精度で、優れた結果をもたらす。
  論文  参考訳（メタデータ） (2023-07-17T14:40:16Z)
• UniDiff: Advancing Vision-Language Models with Generative and Discriminative Learning [86.91893533388628]
  本稿では、画像テキストコントラスト学習(ITC)、テキスト条件付き画像合成学習(IS)、相互意味整合性モデリング(RSC)を統合した統合マルチモーダルモデルUniDiffを提案する。 UniDiffはマルチモーダル理解と生成タスクの両方において汎用性を示す。
  論文  参考訳（メタデータ） (2023-06-01T15:39:38Z)
• 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)
• Genetic Programming-Based Evolutionary Deep Learning for Data-Efficient Image Classification [3.9310727060473476]
  本稿では,データ効率のよい画像分類のための遺伝的プログラミングに基づく進化的深層学習手法を提案する。 この新しいアプローチは、画像領域と分類領域の両方から多くの重要な演算子を使用して、変数長モデルを自動的に進化させることができる。 フレキシブルな多層表現により、新しいアプローチは、タスクごとに浅いモデルや深いモデルやツリーを自動的に構築できる。
  論文  参考訳（メタデータ） (2022-09-27T08:10:16Z)
• Meta Internal Learning [88.68276505511922]
  単一画像生成のための内部学習は、単一の画像に基づいて新しい画像を生成するようにジェネレータを訓練するフレームワークである。 本稿では,サンプル画像の内部統計をより効果的にモデル化するために,画像集合のトレーニングを可能にするメタラーニング手法を提案する。 以上の結果から, 得られたモデルは, 多数の共通画像アプリケーションにおいて, シングルイメージのGANと同程度に適していることがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:27:38Z)
• HAMIL: Hierarchical Aggregation-Based Multi-Instance Learning for Microscopy Image Classification [4.566276053984716]
  マルチインスタンス学習はコンピュータビジョンタスク、特にバイオメディカル画像処理において一般的である。 本研究では,マルチインスタンス学習のための階層型アグリゲーションネットワークhamilを提案する。 階層的なアグリゲーションプロトコルは、定義された順序で機能融合を可能にし、単純な畳み込みアグリゲーションユニットは効率的で柔軟なアーキテクチャをもたらす。
  論文  参考訳（メタデータ） (2021-03-17T16:34:08Z)
• Multi-task pre-training of deep neural networks for digital pathology [8.74883469030132]
  私たちはまず、多くのデジタル病理データセットを22の分類タスクと約900kの画像のプールに組み立て、変換しました。 特徴抽出器として使用されるモデルは、ImageNet事前訓練されたモデルよりも大幅に改善されるか、同等のパフォーマンスを提供するかを示す。
  論文  参考訳（メタデータ） (2020-05-05T08:50:17Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)

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。