論文の概要: Self-supervised learning for infant cry analysis

• arxiv url: http://arxiv.org/abs/2305.01578v1
• Date: Tue, 2 May 2023 16:27:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-03 13:50:19.978241
• Title: Self-supervised learning for infant cry analysis
• Title（参考訳）: 乳幼児の涙分析のための自己指導型学習
• Authors: Arsenii Gorin, Cem Subakan, Sajjad Abdoli, Junhao Wang, Samantha Latremouille, Charles Onu
• Abstract要約: 本研究は,1000人以上の新生児の臨床徴候を含む泣き声のデータベースを解析するための自己教師付き学習(SSL)について検討する。 具体的には, 痛み, 飢え, 不快感などの涙の引き金の同定とともに, 涙による神経障害の検出を標的とした。 SSLコントラスト損失(SimCLR)によるプレトレーニングは,神経損傷と涙の引き金の両方に対する教師付きプレトレーニングよりも有意に優れていた。
• 参考スコア（独自算出の注目度）: 2.7973623341455602
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we explore self-supervised learning (SSL) for analyzing a first-of-its-kind database of cry recordings containing clinical indications of more than a thousand newborns. Specifically, we target cry-based detection of neurological injury as well as identification of cry triggers such as pain, hunger, and discomfort. Annotating a large database in the medical setting is expensive and time-consuming, typically requiring the collaboration of several experts over years. Leveraging large amounts of unlabeled audio data to learn useful representations can lower the cost of building robust models and, ultimately, clinical solutions. In this work, we experiment with self-supervised pre-training of a convolutional neural network on large audio datasets. We show that pre-training with SSL contrastive loss (SimCLR) performs significantly better than supervised pre-training for both neuro injury and cry triggers. In addition, we demonstrate further performance gains through SSL-based domain adaptation using unlabeled infant cries. We also show that using such SSL-based pre-training for adaptation to cry sounds decreases the need for labeled data of the overall system.
• Abstract（参考訳）: 本稿では,1000人以上の新生児の臨床的徴候を含む泣き記録データベースを解析するための自己教師付き学習(SSL)について検討する。 具体的には, 痛み, 飢え, 不快感などの涙の引き金の同定とともに, 涙による神経障害の検出を標的とした。 医療現場で大規模なデータベースに注釈をつけるのは高価で時間を要するため、通常は何年もの間、複数の専門家の協力を必要としている。 ラベルのない大量のオーディオデータを活用して有用な表現を学ぶことは、堅牢なモデルの構築コストを下げ、最終的には臨床ソリューションを削減できる。 本研究では,大規模オーディオデータセット上で畳み込みニューラルネットワークの自己教師あり事前学習実験を行う。 SSLコントラスト損失(SimCLR)によるプレトレーニングは,神経損傷とクリークトリガーの両方に対する教師付きプレトレーニングよりも有意に優れていた。 さらに,未ラベルの幼児の泣き声を用いたSSLベースのドメイン適応により,さらなる性能向上を示す。 また,このようなsslベースの事前学習をcry soundに適応させることで,システム全体のラベル付きデータの必要性が減少することを示した。

関連論文リスト

• Self-Supervised Multiple Instance Learning for Acute Myeloid Leukemia Classification [1.1874560263468232]
  急性骨髄性白血病(AML)のような疾患は、単細胞レベルでのアノテーションが不足し、コストがかかるため困難である。 マルチインスタンス学習(MIL)は、弱いラベル付きシナリオに対処するが、ラベル付きデータで訓練された強力なエンコーダを必要とする。 本研究では,MILをベースとしたサブタイプAML分類のための事前学習手法として,自己監督学習(SSL)について検討する。
  論文  参考訳（メタデータ） (2024-03-08T15:16:15Z)
• Self-supervised learning for skin cancer diagnosis with limited training data [0.196629787330046]
  自己教師付き学習(SSL)は、限られたトレーニングデータを持つシナリオに対するImageNetの標準教師付き事前トレーニングの代替である。 textitfurther SSL をタスク固有のデータセットで事前トレーニングし、その実装は教師あり転送学習によって動機づけられる。 タスク固有のデータに対するより最小限のSSL事前トレーニングは、限られたラベル付きデータによる医療画像分類タスクにおいて、ImageNet上の大規模なSSL事前トレーニングと同じくらい効果的である。
  論文  参考訳（メタデータ） (2024-01-01T08:11:38Z)
• Self-supervised TransUNet for Ultrasound regional segmentation of the distal radius in children [0.6291443816903801]
  TransUNetのSSL(SSL-MAE)用のMasked Autoencoderは、子供の手首超音波スキャンからボニー領域を分割する。 本稿では,TransUNet の SSL (SSL-MAE) 用 Masked Autoencoder を小児手首超音波スキャンからボニー領域に分割する可能性について検討した。
  論文  参考訳（メタデータ） (2023-09-18T05:23:33Z)
• Self-Supervision for Tackling Unsupervised Anomaly Detection: Pitfalls and Opportunities [50.231837687221685]
  自己教師付き学習(SSL)は、機械学習とその多くの現実世界のアプリケーションに変化をもたらした。 非教師なし異常検出(AD)は、自己生成性擬似異常によりSSLにも乗じている。
  論文  参考訳（メタデータ） (2023-08-28T07:55:01Z)
• Self-Supervised Learning for Endoscopic Video Analysis [16.873220533299573]
  自己教師付き学習(SSL)は、大量のラベルのないデータから学習できるようにすることによって、コンピュータビジョンにおいて重要なブレークスルーをもたらした。 大腸内視鏡検査や腹腔鏡検査などの内視鏡的画像解析における主要なSSLフレームワークであるMasked Siamese Networks (MSNs) の使用について検討した。
  論文  参考訳（メタデータ） (2023-08-23T19:27:59Z)
• SB-SSL: Slice-Based Self-Supervised Transformers for Knee Abnormality Classification from MRI [5.199134881541244]
  膝関節MRIスキャンを用いて異常の分類を行うためのスライスベース自己教師型ディープラーニングフレームワーク(SBSSL)を提案する。 限られた症例(1000例)では,前十字靭帯断裂を89.17%,AUC0.954。
  論文  参考訳（メタデータ） (2022-08-29T23:08:41Z)
• Self-supervised Learning is More Robust to Dataset Imbalance [65.84339596595383]
  データセット不均衡下での自己教師型学習について検討する。 既製の自己教師型表現は、教師型表現よりもクラス不均衡に対してすでに堅牢である。 我々は、不均衡なデータセット上でSSL表現品質を一貫して改善する、再重み付け正規化手法を考案した。
  論文  参考訳（メタデータ） (2021-10-11T06:29:56Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Uncovering the structure of clinical EEG signals with self-supervised learning [64.4754948595556]
  教師付き学習パラダイムは、しばしば利用可能なラベル付きデータの量によって制限される。 この現象は脳波(EEG)などの臨床関連データに特に問題となる。 ラベルのないデータから情報を抽出することで、ディープニューラルネットワークとの競合性能に到達することができるかもしれない。
  論文  参考訳（メタデータ） (2020-07-31T14:34:47Z)
• Self-Training with Improved Regularization for Sample-Efficient Chest X-Ray Classification [80.00316465793702]
  挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。 その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
  論文  参考訳（メタデータ） (2020-05-03T02:36:00Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。