論文の概要: CST-YOLO: A Novel Method for Blood Cell Detection Based on Improved YOLOv7 and CNN-Swin Transformer

• arxiv url: http://arxiv.org/abs/2306.14590v2
• Date: Fri, 04 Oct 2024 18:21:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-08 13:41:36.312482
• Title: CST-YOLO: A Novel Method for Blood Cell Detection Based on Improved YOLOv7 and CNN-Swin Transformer
• Title（参考訳）: CST-YOLO:改良型YOLOv7とCNN-Swinトランスを用いた新しい血液細胞検出法
• Authors: Ming Kang, Chee-Ming Ting, Fung Fung Ting, Raphaël Phan,
• Abstract要約: 血液細胞検出はコンピュータビジョンにおける典型的な小規模物体検出問題である。 YOLOv7アーキテクチャに基づく血液細胞検出のためのCST-YOLOモデルを提案し,それをCNN-Swin Transformer (CST) で拡張する。 実験の結果,提案したCST-YOLOはそれぞれ92.7%,95.6%,91.1%のmAP@0.5が得られた。
• 参考スコア（独自算出の注目度）: 3.8952128960495638
• License:
• Abstract: Blood cell detection is a typical small-scale object detection problem in computer vision. In this paper, we propose a CST-YOLO model for blood cell detection based on YOLOv7 architecture and enhance it with the CNN-Swin Transformer (CST), which is a new attempt at CNN-Transformer fusion. We also introduce three other useful modules: Weighted Efficient Layer Aggregation Networks (W-ELAN), Multiscale Channel Split (MCS), and Concatenate Convolutional Layers (CatConv) in our CST-YOLO to improve small-scale object detection precision. Experimental results show that the proposed CST-YOLO achieves 92.7%, 95.6%, and 91.1% mAP@0.5, respectively, on three blood cell datasets, outperforming state-of-the-art object detectors, e.g., RT-DETR, YOLOv5, and YOLOv7. Our code is available at https://github.com/mkang315/CST-YOLO.
• Abstract（参考訳）: 血液細胞検出はコンピュータビジョンにおける典型的な小規模物体検出問題である。 本稿では, YOLOv7 アーキテクチャに基づく血液細胞検出のための CST-YOLO モデルを提案し, CNN-Swin Transformer (CST) で拡張する。 また,CST-YOLOにおける重み付き高効率層アグリゲーションネットワーク(W-ELAN),マルチスケールチャネルスプリット(MCS),コンカニケート畳み込み層(CatConv)の3つの有用なモジュールを導入し,小型オブジェクト検出精度を向上した。 実験の結果、CST-YOLOは3つの細胞データセットでそれぞれ92.7%、95.6%、91.1%のmAP@0.5を達成し、最先端のオブジェクト検出器、例えば、RT-DETR、YOLOv5、YOLOv7を上回りました。 私たちのコードはhttps://github.com/mkang315/CST-YOLO.comで公開されています。

関連論文リスト

• Spatial Transformer Network YOLO Model for Agricultural Object Detection [0.3124884279860061]
  本稿では,空間変換器ネットワーク(STN)をYOLOに統合し,性能を向上させる手法を提案する。 提案するSTN-YOLOは,画像の重要な領域に着目し,モデルの有効性を高めることを目的としている。 農業オブジェクト検出のためのベンチマークデータセットと、最先端の植物表現型温室施設からの新たなデータセットにSTN-YOLOを適用した。
  論文  参考訳（メタデータ） (2024-07-31T14:53:41Z)
• LW-DETR: A Transformer Replacement to YOLO for Real-Time Detection [63.780355815743135]
  リアルタイム物体検出においてYOLOよりも優れた軽量検出変換器LW-DETRを提案する。 アーキテクチャは、ViTエンコーダ、プロジェクタ、浅いDETRデコーダの単純なスタックである。
  論文  参考訳（メタデータ） (2024-06-05T17:07:24Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
  YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。 私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。 私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
  論文  参考訳（メタデータ） (2023-08-10T10:12:27Z)
• RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
  チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。 脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。 提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-07-31T05:38:17Z)
• A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
  小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
  論文  参考訳（メタデータ） (2022-04-05T16:29:49Z)
• TE-YOLOF: Tiny and efficient YOLOF for blood cell detection [26.463853328783962]
  顕微鏡画像における血液細胞検出は、医用画像処理研究の不可欠な分野である。 本研究では, 赤血球, 白血球, 血小板などの血液細胞物体を検出するために, YOLOFに基づく物体検出法が提案されている。 効率性と柔軟性を向上させるため、提案したオブジェクト検出器のバックボーンとして、EfficientNet Convolutional Neural Networkが使用される。
  論文  参考訳（メタデータ） (2021-08-27T14:45:27Z)

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。