論文の概要: Dynamic Data Augmentation via MCTS for Prostate MRI Segmentation

• arxiv url: http://arxiv.org/abs/2305.15777v1
• Date: Thu, 25 May 2023 06:44:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-26 16:44:36.369653
• Title: Dynamic Data Augmentation via MCTS for Prostate MRI Segmentation
• Title（参考訳）: 前立腺MRIセグメンテーションのためのMCTSによる動的データ拡張
• Authors: Xinyue Xu, Yuhan Hsi, Haonan Wang, Xiaomeng Li
• Abstract要約: 本稿ではDDAug(Dynamic Data Augmentation)を提案する。 DDAug計算は、様々な拡張を表現する階層木構造を開発する。 我々の手法は、現在の最先端データ拡張戦略より優れています。
• 参考スコア（独自算出の注目度）: 23.329396008238366
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical image data are often limited due to the expensive acquisition and annotation process. Hence, training a deep-learning model with only raw data can easily lead to overfitting. One solution to this problem is to augment the raw data with various transformations, improving the model's ability to generalize to new data. However, manually configuring a generic augmentation combination and parameters for different datasets is non-trivial due to inconsistent acquisition approaches and data distributions. Therefore, automatic data augmentation is proposed to learn favorable augmentation strategies for different datasets while incurring large GPU overhead. To this end, we present a novel method, called Dynamic Data Augmentation (DDAug), which is efficient and has negligible computation cost. Our DDAug develops a hierarchical tree structure to represent various augmentations and utilizes an efficient Monte-Carlo tree searching algorithm to update, prune, and sample the tree. As a result, the augmentation pipeline can be optimized for each dataset automatically. Experiments on multiple Prostate MRI datasets show that our method outperforms the current state-of-the-art data augmentation strategies.
• Abstract（参考訳）: 医療画像データは、しばしば高価な取得とアノテーションプロセスのために制限される。 したがって、生データだけでディープラーニングモデルをトレーニングすることは、容易に過度な適合につながる。 この問題の解決策の1つは、様々な変換で生データを拡張し、新しいデータに一般化するモデルの能力を改善することである。 しかし、不整合な取得アプローチとデータ分散のため、異なるデータセットに対する汎用的な拡張の組み合わせとパラメータを手動で設定するのは簡単ではない。 そこで,大規模なgpuオーバヘッドを伴いながら,異なるデータセットに対して好適な拡張戦略を学習するために,自動データ拡張を提案する。 そこで我々はDDAug(Dynamic Data Augmentation)と呼ばれる新しい手法を提案する。 ddaugは,様々な拡張を表す階層木構造を開発し,効率的なモンテカルロ木探索アルゴリズムを用いて木を更新,プルーンし,サンプリングする。 その結果、拡張パイプラインはデータセット毎に自動的に最適化される。 複数の前立腺MRIデータセットの実験により、我々の手法は現在の最先端データ拡張戦略より優れていることが示された。

関連論文リスト

• Generative Expansion of Small Datasets: An Expansive Graph Approach [13.053285552524052]
  最小限のサンプルから大規模で情報豊富なデータセットを生成する拡張合成モデルを提案する。 自己アテンション層と最適なトランスポートを持つオートエンコーダは、分散一貫性を洗練させる。 結果は同等のパフォーマンスを示し、モデルがトレーニングデータを効果的に増強する可能性を示している。
  論文  参考訳（メタデータ） (2024-06-25T02:59:02Z)
• Distribution-Aware Data Expansion with Diffusion Models [55.979857976023695]
  本研究では,分散型拡散モデルに基づくトレーニングフリーなデータ拡張フレームワークであるDistDiffを提案する。 DistDiffは、オリジナルデータのみにトレーニングされたモデルと比較して、さまざまなデータセットの精度を一貫して向上させる。
  論文  参考訳（メタデータ） (2024-03-11T14:07:53Z)
• Data-Efficient Augmentation for Training Neural Networks [15.870155099135538]
  本稿では,データポイントのサブセットを選択するための厳密な手法を提案する。 SVHNのCIFAR10では6.3倍,SVHNでは2.2倍の高速化を実現し,様々なサブセットサイズでベースラインを最大10%向上させる。
  論文  参考訳（メタデータ） (2022-10-15T19:32:20Z)
• Automatic Data Augmentation via Invariance-Constrained Learning [94.27081585149836]
  下位のデータ構造は、しばしば学習タスクのソリューションを改善するために利用される。 データ拡張は、入力データに複数の変換を適用することで、トレーニング中にこれらの対称性を誘導する。 この作業は、学習タスクを解決しながらデータ拡張を自動的に適応することで、これらの問題に対処する。
  論文  参考訳（メタデータ） (2022-09-29T18:11:01Z)
• Condensing Graphs via One-Step Gradient Matching [50.07587238142548]
  ネットワーク重みを訓練せずに1ステップのみの勾配マッチングを行う1ステップ勾配マッチング方式を提案する。 我々の理論的分析は、この戦略が実際のグラフの分類損失を減少させる合成グラフを生成することができることを示している。 特に、元のパフォーマンスの最大98%を近似しながら、データセットサイズを90%削減することが可能です。
  論文  参考訳（メタデータ） (2022-06-15T18:20:01Z)
• Infinite Recommendation Networks: A Data-Centric Approach [8.044430277912936]
  Neural Tangent Kernelを活用して、無限大のニューラルネットワークをトレーニングし、無限大のボトルネック層を持つオートエンコーダであるinfty$-AEを考案します。 また、小型で高忠実なデータ要約を合成するためのDistill-CFを開発した。 我々は、最初のデータセットサイズの0.1%に満たない完全なデータセット上で、infty$-AEのパフォーマンスの96-105%を観察した。
  論文  参考訳（メタデータ） (2022-06-03T00:34:13Z)
• Invariance Learning in Deep Neural Networks with Differentiable Laplace Approximations [76.82124752950148]
  我々はデータ拡張を選択するための便利な勾配法を開発した。 我々はKronecker-factored Laplace近似を我々の目的とする限界確率に近似する。
  論文  参考訳（メタデータ） (2022-02-22T02:51:11Z)
• Feature transforms for image data augmentation [74.12025519234153]
  画像分類において、多くの拡張アプローチは単純な画像操作アルゴリズムを利用する。 本研究では,14種類の拡張アプローチを組み合わせて生成した画像を追加することで,データレベルでのアンサンブルを構築する。 事前トレーニングされたResNet50ネットワークは、各拡張メソッドから派生した画像を含むトレーニングセットに基づいて微調整される。
  論文  参考訳（メタデータ） (2022-01-24T14:12:29Z)
• Dynamic Data Augmentation with Gating Networks [5.251019642214251]
  本稿では,互いに有利なゲーティングネットワークと特徴整合損失を用いて,最適な組み合わせを動的に選択するニューラルネットワークを提案する。 実験では,2018 UCR Time Series Archiveの12大時系列データセットに対して提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2021-11-05T04:24:51Z)
• Robust Optimization as Data Augmentation for Large-scale Graphs [117.2376815614148]
  学習中に勾配に基づく逆方向摂動を伴うノード特徴を反復的に拡張するFLAG(Free Large-scale Adversarial Augmentation on Graphs)を提案する。 FLAGはグラフデータに対する汎用的なアプローチであり、ノード分類、リンク予測、グラフ分類タスクで普遍的に機能する。
  論文  参考訳（メタデータ） (2020-10-19T21:51:47Z)
• Automatic Data Augmentation for 3D Medical Image Segmentation [37.262350163905445]
  医用画像分割作業において、識別可能な自動データ拡張が採用されたのは、これが初めてである。 我々の数値実験により,提案手法は,最先端モデルの既存のビルトインデータ拡張を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2020-10-07T12:51:17Z)

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。