論文の概要: Few-shot Class-incremental Pill Recognition
- arxiv url: http://arxiv.org/abs/2304.11959v1
- Date: Mon, 24 Apr 2023 09:53:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-25 15:33:00.675368
- Title: Few-shot Class-incremental Pill Recognition
- Title(参考訳): クラスインクリメンタル・ピル認識
- Authors: Jinghua Zhang, Li Liu, Kai Gao, and Dewen Hu
- Abstract要約: 我々は,最初の数発のクラスインクリメンタル・ピル認識システムを開発した。
学習表現では,新たなセンター・トリプレット損失関数を提案する。
数ショットのクラス増分学習のための2つの新しいピル画像データセットを構築した。
- 参考スコア(独自算出の注目度): 15.987006748330119
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The automatic pill recognition system is of great significance in improving
the efficiency of the hospital, helping people with visual impairment, and
avoiding cross-infection. However, most existing pill recognition systems based
on deep learning can merely perform pill classification on the learned pill
categories with sufficient training data. In practice, the expensive cost of
data annotation and the continuously increasing categories of new pills make it
meaningful to develop a few-shot class-incremental pill recognition system. In
this paper, we develop the first few-shot class-incremental pill recognition
system, which adopts decoupled learning strategy of representations and
classifiers. In learning representations, we propose the novel Center-Triplet
loss function, which can promote intra-class compactness and inter-class
separability. In learning classifiers, we propose a specialized pseudo pill
image construction strategy to train the Graph Attention Network to obtain the
adaptation model. Moreover, we construct two new pill image datasets for
few-shot class-incremental learning. The experimental results show that our
framework outperforms the state-of-the-art methods.
- Abstract(参考訳): 自動錠剤認識システムは、病院の効率を向上し、視覚障害のある人を助け、クロス感染を避けるために非常に重要である。
しかし、ディープラーニングに基づく既存の錠剤認識システムでは、学習した錠剤カテゴリーの錠剤分類を十分な訓練データで行うだけでよい。
実際には、データアノテーションの高価なコストと新しい錠剤のカテゴリが継続的に増加するため、数発のクラスインクリメンタルな錠剤認識システムを開発する意味がある。
本稿では,表現と分類器の分離学習戦略を取り入れた,最初の数発のクラスインクリメンタル・ピル認識システムを開発する。
学習表現では,クラス内コンパクト性とクラス間分離性を促進する新しい中心三重項損失関数を提案する。
学習分類器では,グラフ注意ネットワークを訓練して適応モデルを得るための擬似ピル画像構築戦略を提案する。
さらに,数ショットのクラス増分学習のための2つの新しいピル画像データセットを構築した。
実験の結果,我々のフレームワークは最先端の手法よりも優れていた。
関連論文リスト
- Few-Shot Classification of Skin Lesions from Dermoscopic Images by
Meta-Learning Representative Embeddings [1.957558771641347]
稀な疾患と新規疾患の診断のための注釈付き画像と根拠真理は乏しい。
少ないショットラーニングとメタラーニングは、低いデータレシエーションでうまく機能することを目指して、これらの問題を克服することを目的としている。
本稿では,皮膚内視鏡画像の分類におけるメタラーニングの改善に焦点をあてる。
論文 参考訳(メタデータ) (2022-10-30T21:27:15Z) - Joint localization and classification of breast tumors on ultrasound
images using a novel auxiliary attention-based framework [7.6620616780444974]
本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。
提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
論文 参考訳(メタデータ) (2022-10-11T20:14:13Z) - Multi-stream Fusion for Class Incremental Learning in Pill Image
Classification [5.013866470627594]
従来のピル画像分類システムにクラスインクリメンタルラーニング(CIL)機能を導入する。
本フレームワークでは,ピル画像の色特化情報をガイダンスストリームとして検討する。
CG-IMIFは,タスク設定の相違により,複数の最先端手法を一貫して上回っていることがわかった。
論文 参考訳(メタデータ) (2022-10-05T15:05:15Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳(メタデータ) (2022-07-14T14:57:01Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳(メタデータ) (2022-06-24T22:25:31Z) - Deep reinforced active learning for multi-class image classification [0.0]
高精度な医用画像分類は、既存の画像のラベル付けに必要な時間と専門知識だけでなく、より多くのデータを取得するコストによって制限される。
本研究では,医療画像分類にアクティブラーニングを適用し,より大規模なデータプールから最小限のサブセット上でのモデル性能を最大化する手法を提案する。
論文 参考訳(メタデータ) (2022-06-20T09:30:55Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳(メタデータ) (2022-04-28T08:41:51Z) - VeriMedi: Pill Identification using Proxy-based Deep Metric Learning and
Exact Solution [0.0]
このソリューションには、セグメンテーションと識別を行う2つの連続接続型ディープラーニングソリューションがある。
セグメンテーションソリューションは、マスクR-CNNモデルを使用してバイアル画像内の各ピルのマスクを作成し、その後、セグメンテーションと作物を丸薬を作成し、背景をぼやけます。
生成された埋め込みベクトルは、1つの丸薬イメージを予測するために正確なソリューションで訓練された1層の完全に接続されたネットワークに供給されます。
論文 参考訳(メタデータ) (2021-04-22T06:52:30Z) - Few-shot Action Recognition with Prototype-centered Attentive Learning [88.10852114988829]
2つの新しい構成要素からなるプロトタイプ中心型注意学習(pal)モデル。
まず,従来のクエリ中心学習目標を補完するために,プロトタイプ中心のコントラスト学習損失を導入する。
第二に、PALは注意深いハイブリッド学習機構を統合しており、アウトレーヤの負の影響を最小限に抑えることができる。
論文 参考訳(メタデータ) (2021-01-20T11:48:12Z) - Learning Binary Semantic Embedding for Histology Image Classification
and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。
効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。
3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文 参考訳(メタデータ) (2020-10-07T08:36:44Z) - Multi-label Thoracic Disease Image Classification with Cross-Attention
Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。
また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文 参考訳(メタデータ) (2020-07-21T14:37:00Z)
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。