論文の概要: Histopathology Image Classification using Deep Manifold Contrastive Learning

• arxiv url: http://arxiv.org/abs/2306.14459v1
• Date: Mon, 26 Jun 2023 07:02:07 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-27 14:45:24.869939
• Title: Histopathology Image Classification using Deep Manifold Contrastive Learning
• Title（参考訳）: Deep Manifold Contrastive Learningを用いた病理組織像分類
• Authors: Jing Wei Tan, Won-Ki Jeong
• Abstract要約: 本稿では,特徴間の測地的距離を,病理組織学全体のスライド画像分類の類似度指標として活用する,新しいコントラスト学習の拡張を提案する。 その結果,提案手法は最先端のコサイン距離に基づくコントラスト学習法よりも優れていた。
• 参考スコア（独自算出の注目度）: 8.590026259176806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Contrastive learning has gained popularity due to its robustness with good feature representation performance. However, cosine distance, the commonly used similarity metric in contrastive learning, is not well suited to represent the distance between two data points, especially on a nonlinear feature manifold. Inspired by manifold learning, we propose a novel extension of contrastive learning that leverages geodesic distance between features as a similarity metric for histopathology whole slide image classification. To reduce the computational overhead in manifold learning, we propose geodesic-distance-based feature clustering for efficient contrastive loss evaluation using prototypes without time-consuming pairwise feature similarity comparison. The efficacy of the proposed method is evaluated on two real-world histopathology image datasets. Results demonstrate that our method outperforms state-of-the-art cosine-distance-based contrastive learning methods.
• Abstract（参考訳）: 対照的な学習は、優れた特徴表現性能を持つ頑健さによって人気を博している。 しかし、対照的な学習においてよく使われる類似度計量であるコサイン距離は、特に非線形特徴多様体において、2つのデータポイント間の距離を表すのに適していない。 本稿では,特徴間の測地的距離を,病理組織学全体のスライド画像分類の類似度指標として活用する,新しいコントラスト学習の拡張を提案する。 多様体学習における計算オーバーヘッドを削減するため,我々は,時間消費する対数的特徴類似性比較を必要とせず,プロトタイプを用いた効率的なコントラスト損失評価のための測地距離に基づく特徴クラスタリングを提案する。 提案手法の有効性を実世界の2つの病理画像データセットで評価した。 その結果,提案手法は最先端のコサイン距離に基づくコントラスト学習法よりも優れていた。

関連論文リスト

• Explainable Metric Learning for Deflating Data Bias [2.977255700811213]
  本稿では,画像の階層的なセマンティックセマンティックセマンティクスを構築し,解釈性を向上させるための説明可能なメトリクス学習フレームワークを提案する。 提案手法により,2つの画像間のセマンティックセグメントに基づくより人間的に理解可能な類似度測定が可能となる。
  論文  参考訳（メタデータ） (2024-07-05T21:07:27Z)
• Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
  本稿では,クラス増分学習シナリオに特化して,ベイズ学習駆動型コントラスト損失(BLCL)を持つプロトタイプネットワークを提案する。 提案手法は,ベイズ学習手法を用いて,クロスエントロピーとコントラスト損失関数のバランスを動的に適用する。
  論文  参考訳（メタデータ） (2024-05-17T19:49:02Z)
• Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
  1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。 マルチモーダルデータに適した深層学習一クラス分類法を提案する。
  論文  参考訳（メタデータ） (2023-09-25T12:31:18Z)
• Scribble-supervised Cell Segmentation Using Multiscale Contrastive Regularization [9.849498498869258]
  Scribble2Label (S2L) は、一握りのスクリブルと自己教師付き学習を使用することで、完全なアノテーションなしで正確なセグメンテーション結果を生成することを示した。 本研究では,S2Lに対して,新しいマルチスケールコントラスト正規化項を用いる。 主なアイデアは、ニューラルネットワークの中間層から特徴を抽出して、さまざまなスケールの構造を効果的に分離できるようにすることである。
  論文  参考訳（メタデータ） (2023-06-25T06:00:33Z)
• Contrastive Bayesian Analysis for Deep Metric Learning [30.21464199249958]
  特徴的類似性によって条件付けられた画像ラベルの後方確率を特徴付け,モデル化するために,コントラッシブなベイズ解析を開発した。 この対照的なベイズ解析は、深い計量学習のための新しい損失関数をもたらす。 実験結果とアブレーション実験により,提案手法は深層学習の性能を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2022-10-10T02:24:21Z)
• Adaptive Hierarchical Similarity Metric Learning with Noisy Labels [138.41576366096137]
  適応的階層的類似度メトリック学習法を提案する。 ノイズに敏感な2つの情報、すなわち、クラスワイドのばらつきとサンプルワイドの一貫性を考える。 提案手法は,現在の深層学習手法と比較して,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2021-10-29T02:12:18Z)
• Discriminative Attribution from Counterfactuals [64.94009515033984]
  本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。 本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
  論文  参考訳（メタデータ） (2021-09-28T00:53:34Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Towards Interpretable Deep Metric Learning with Structural Matching [86.16700459215383]
  より透過的な埋め込み学習のための深層解釈可能なメトリック学習(DIML)法を提案する。 本手法は,既製のバックボーンネットワークやメトリック学習手法に適用可能な,モデルに依存しない手法である。 我々は,CUB200-2011,Cars196,Stanford Online Productsの3つの大規模メトリクス学習ベンチマークで評価を行った。
  論文  参考訳（メタデータ） (2021-08-12T17:59:09Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• A Domain-Oblivious Approach for Learning Concise Representations of Filtered Topological Spaces [7.717214217542406]
  本稿では永続化図のバイナリコード表現を学習する永続化図ハッシュフレームワークを提案する。 このフレームワークは、学習過程を制御するための図距離損失関数を備えた生成逆ネットワーク(GAN)上に構築されている。 提案手法は,モデルの再学習を必要とせずに,様々なデータセットに直接適用することができる。
  論文  参考訳（メタデータ） (2021-05-25T20:44:28Z)

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。