論文の概要: Automatic Data Augmentation Learning using Bilevel Optimization for Histopathological Images

• arxiv url: http://arxiv.org/abs/2307.11808v1
• Date: Fri, 21 Jul 2023 17:22:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 19:40:36.541317
• Title: Automatic Data Augmentation Learning using Bilevel Optimization for Histopathological Images
• Title（参考訳）: バイレベル最適化を用いた病理画像の自動データ拡張学習
• Authors: Saypraseuth Mounsaveng and Issam Laradji and David V\'azquez and Marco Perdersoli and Ismail Ben Ayed
• Abstract要約: データ拡張(DA)は、トレーニング中に既存のデータに変換を適用することで、追加のサンプルを生成するために使用することができる。 DAはデータセット固有のだけでなく、ドメイン知識も必要です。 本稿では,モデル学習を改善するためのDA学習手法を提案する。
• 参考スコア（独自算出の注目度）: 12.166446006133228
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training a deep learning model to classify histopathological images is challenging, because of the color and shape variability of the cells and tissues, and the reduced amount of available data, which does not allow proper learning of those variations. Variations can come from the image acquisition process, for example, due to different cell staining protocols or tissue deformation. To tackle this challenge, Data Augmentation (DA) can be used during training to generate additional samples by applying transformations to existing ones, to help the model become invariant to those color and shape transformations. The problem with DA is that it is not only dataset-specific but it also requires domain knowledge, which is not always available. Without this knowledge, selecting the right transformations can only be done using heuristics or through a computationally demanding search. To address this, we propose an automatic DA learning method. In this method, the DA parameters, i.e. the transformation parameters needed to improve the model training, are considered learnable and are learned automatically using a bilevel optimization approach in a quick and efficient way using truncated backpropagation. We validated the method on six different datasets. Experimental results show that our model can learn color and affine transformations that are more helpful to train an image classifier than predefined DA transformations, which are also more expensive as they need to be selected before the training by grid search on a validation set. We also show that similarly to a model trained with RandAugment, our model has also only a few method-specific hyperparameters to tune but is performing better. This makes our model a good solution for learning the best DA parameters, especially in the context of histopathological images, where defining potentially useful transformation heuristically is not trivial.
• Abstract（参考訳）: 組織像を分類するための深層学習モデルの訓練は、細胞や組織の色と形状の多様性と、それらのバリエーションを適切に学べない利用可能なデータの量が少ないため、困難である。 例えば、異なる細胞染色プロトコルや組織変形のために、画像取得プロセスから変化が生じることがある。 この課題に対処するために、Data Augmentation (DA) はトレーニング中に既存のデータに変換を適用してサンプルを追加することで、モデルが色や形状の変換に不変になるのに役立つ。 daの問題は、データセットに特有なだけでなく、ドメインの知識も必要だということです。 この知識がなければ、正しい変換の選択はヒューリスティックスや計算に要求される探索によってのみ行うことができる。 そこで本稿では,自動DA学習手法を提案する。 本手法では,モデルトレーニングを改善するのに必要な変換パラメータであるDAパラメータを学習可能とみなし,二段階最適化手法を高速かつ効率的な方法で学習する。 この手法を6つの異なるデータセットで検証した。 実験の結果,本モデルは,事前定義されたda変換よりも画像分類器の訓練に有用な色およびアフィン変換を学習できることがわかった。 また、RandAugmentでトレーニングされたモデルと同様に、我々のモデルはチューニングするメソッド固有のハイパーパラメータもわずかにしかありませんが、パフォーマンスは向上しています。 これにより,本モデルは最高のDAパラメータ,特に組織像の文脈において,潜在的に有用な変換をヒューリスティックに定義することは容易ではない。

関連論文リスト

• Your Image is My Video: Reshaping the Receptive Field via Image-To-Video Differentiable AutoAugmentation and Fusion [35.88039888482076]
  本稿では,ビデオとして処理可能な画像のバリエーションを生成するために,最初の微分可能拡張探索法(DAS)を提案する。 DASは非常に高速で柔軟性があり、GPUの1日以内で非常に大きな検索スペースを検索できる。 DASを利用して、タスク依存変換を選択することにより、空間受容場の再構成を誘導する。
  論文  参考訳（メタデータ） (2024-03-22T13:27:57Z)
• Learn to Unlearn for Deep Neural Networks: Minimizing Unlearning Interference with Gradient Projection [56.292071534857946]
  最近のデータプライバシ法は、機械学習への関心を喚起している。 課題は、残りのデータセットに関する知識を変更することなく、忘れたデータに関する情報を捨てることである。 我々は、プロジェクテッド・グラディエント・アンラーニング(PGU)という、プロジェクテッド・グラディエント・ベースの学習手法を採用する。 トレーニングデータセットがもはやアクセスできない場合でも、スクラッチからスクラッチで再トレーニングされたモデルと同じような振る舞いをするモデルを、我々のアンラーニング手法が生成できることを実証するための実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2023-12-07T07:17:24Z)
• DVPT: Dynamic Visual Prompt Tuning of Large Pre-trained Models for Medical Image Analysis [30.608225734194416]
  医用画像解析のための動的視覚的プロンプトチューニング手法DVPTを提案する。 トレーニング可能なパラメータがいくつかある大きなモデルから、下流タスクに有益な知識を抽出することができる。 最大60%のラベル付きデータと、ViT-B/16の99%のストレージコストを節約できる。
  論文  参考訳（メタデータ） (2023-07-19T07:11:11Z)
• Exploring Visual Prompts for Whole Slide Image Classification with Multiple Instance Learning [25.124855361054763]
  本稿では,事前学習したモデルから病理組織像へのドメイン固有知識変換を学習するための,新しい,シンプルで効果的な手法を提案する。 提案手法では,事前学習したデータセットと対象の病理組織学データセットの違いを識別する上で,事前学習したモデルを支援するために,プロンプトコンポーネントを使用する。
  論文  参考訳（メタデータ） (2023-03-23T09:23:52Z)
• Effective Data Augmentation With Diffusion Models [65.09758931804478]
  我々は、事前訓練されたテキスト・画像拡散モデルによりパラメータ化された画像・画像変換によるデータ拡張の多様性の欠如に対処する。 本手法は,市販の拡散モデルを用いて画像のセマンティクスを編集し,いくつかのラベル付き例から新しい視覚概念に一般化する。 本手法は,実世界の雑草認識タスクと数ショット画像分類タスクにおいて評価し,テスト領域における精度の向上を観察する。
  論文  参考訳（メタデータ） (2023-02-07T20:42:28Z)
• Optimizing transformations for contrastive learning in a differentiable framework [4.828899860513713]
  本稿では,微分可能変換ネットワークを用いたコントラスト学習のための最適変換手法を提案する。 本手法は,教師の精度と収束速度の両方において,低アノテートデータ方式の性能を向上させる。 34000枚の脳磁気共鳴画像と11200枚の胸部X線画像を用いて実験を行った。
  論文  参考訳（メタデータ） (2022-07-27T08:47:57Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• 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)
• Deep invariant networks with differentiable augmentation layers [87.22033101185201]
  データ拡張ポリシーの学習方法は、保持データを必要とし、二段階最適化の問題に基づいている。 我々のアプローチは、現代の自動データ拡張技術よりも訓練が簡単で高速であることを示す。
  論文  参考訳（メタデータ） (2022-02-04T14:12:31Z)
• CADDA: Class-wise Automatic Differentiable Data Augmentation for EEG Signals [92.60744099084157]
  本研究では、勾配に基づく学習に適した微分可能データ拡張を提案する。 本研究は,臨床関連睡眠ステージ分類課題におけるアプローチの意義を示す。
  論文  参考訳（メタデータ） (2021-06-25T15:28:48Z)
• Radon cumulative distribution transform subspace modeling for image classification [18.709734704950804]
  画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。 この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。 テスト精度の向上に加えて,計算効率の向上も示す。
  論文  参考訳（メタデータ） (2020-04-07T19:47:26Z)

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。