論文の概要: Non-invasive Diabetes Detection using Gabor Filter: A Comparative Analysis of Different Cameras

• arxiv url: http://arxiv.org/abs/2307.15480v1
• Date: Fri, 28 Jul 2023 11:08:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 12:43:02.440445
• Title: Non-invasive Diabetes Detection using Gabor Filter: A Comparative Analysis of Different Cameras
• Title（参考訳）: Gaborフィルタを用いた非侵襲糖尿病検出:異なるカメラの比較分析
• Authors: Christina A. Garcia, Patricia Angela R. Abu, Rosula SJ. Reyes
• Abstract要約: 本稿では、非侵襲的糖尿病検出のための画像キャプチャツールとして、モバイルデバイスカメラとノートパソコンカメラの両方の性能を比較し、検討する。 20～79歳の年齢層内の参加者がデータセットに選ばれた。 12mpと7mpのモバイルカメラと、通常の照明下での撮影にはラップトップカメラが使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper compares and explores the performance of both mobile device camera and laptop camera as convenient tool for capturing images for non-invasive detection of Diabetes Mellitus (DM) using facial block texture features. Participants within age bracket 20 to 79 years old were chosen for the dataset. 12mp and 7mp mobile cameras, and a laptop camera were used to take the photo under normal lighting condition. Extracted facial blocks were classified using k-Nearest Neighbors (k-NN) and Support Vector Machine (SVM). 100 images were captured, preprocessed, filtered using Gabor, and iterated. Performance of the system was measured in terms of accuracy, specificity, and sensitivity. Best performance of 96.7% accuracy, 100% sensitivity, and 93% specificity were achieved from 12mp back camera using SVM with 100 images.
• Abstract（参考訳）: 本稿では,顔ブロックテクスチャ特徴を用いた糖尿病(dm)の非侵襲的検出のための画像撮影のための便利なツールとして,モバイルデバイスカメラとラップトップカメラの性能を比較し,検討する。 20～79歳の年齢層内の参加者がデータセットに選ばれた。 12mpと7mpのモバイルカメラと、通常の照明下での撮影にはラップトップカメラが使用された。 抽出した顔ブロックはk-Nearest Neighbors (k-NN) と Support Vector Machine (SVM) を用いて分類した。 100枚の画像をキャプチャし、前処理し、Gaborを使ってフィルタリングし、反復処理した。 システムの性能は,精度,特異度,感度で測定した。 最高の96.7%の精度、100%感度、93%の特異性をsvmと100画像を用いて12メガピクセルのバックカメラで達成した。

関連論文リスト

• MicroISP: Processing 32MP Photos on Mobile Devices with Deep Learning [114.66037224769005]
  エッジデバイスに特化して設計された新しいMicroISPモデルを提案する。 提案したソリューションは,モバイルMLライブラリを使用して,最新のスマートフォン上で最大32MPの写真を処理できる。 モデルのアーキテクチャは柔軟で、計算能力の異なるデバイスに複雑性を調整することができる。
  論文  参考訳（メタデータ） (2022-11-08T17:40:50Z)
• Learned Smartphone ISP on Mobile GPUs with Deep Learning, Mobile AI & AIM 2022 Challenge: Report [59.831324427712815]
  この課題は、効率的なエンドツーエンドのAIベースの画像処理パイプラインを開発することを目的としている。 モデルはSnapdragonの8 Gen 1 GPUで評価され、一般的なディープラーニング運用の大部分で優れた加速結果が得られた。 提案されたソリューションは、最近のすべてのモバイルGPUと互換性があり、フルHD写真を20-50ミリ秒未満で処理でき、高い忠実度を達成できる。
  論文  参考訳（メタデータ） (2022-11-07T22:13:10Z)
• Automated Medical Device Display Reading Using Deep Learning Object Detection [0.0]
  本研究は,深層学習物体検出モデルに基づく医療機器からの7セグメントディスプレイの検出と読取を行うエンド・ツー・エンド手法を提案する。 EfficientDetとEfficientDet-liteの2つの状態は、モバイルデジタルカメラで撮影された医療機器の写真からなるデータセットに基づいて微調整された。 訓練されたモデルの評価は高い効率を示し、全てのモデルが98%以上の検出精度と98%以上の分類精度を達成した。
  論文  参考訳（メタデータ） (2022-10-04T02:39:45Z)
• Automated segmentation of microvessels in intravascular OCT images using deep learning [0.0]
  血管内光コヒーレンス断層撮影(IV OCT)画像における微小血管の自動検出法を開発した。 85病変,37病変から8,403例のOCT画像フレームを解析した。 本手法は,698枚の画像フレームに微小血管が存在するのに対し,手動による解析では730枚の画像フレームが4.4%の差を示した。
  論文  参考訳（メタデータ） (2022-10-01T02:14:14Z)
• Skin Cancer Diagnostics with an All-Inclusive Smartphone Application [2.840144824279212]
  ポータブル・在宅メラノーマ診断システムの開発には大きな関心がある。 本稿では,画像キャプチャ機能と事前処理とセグメンテーションを組み合わせたスマートフォンアプリケーションを提案する。 本手法は,良性黒色腫症例と良性黒色腫症例との鑑別において,軽量でユーザフレンドリで信頼性の高い手法である。
  論文  参考訳（メタデータ） (2022-05-25T02:02:08Z)
• On the Effect of Selfie Beautification Filters on Face Detection and Recognition [53.561797148529664]
  ソーシャルメディア画像フィルターは、例えば人工眼鏡や動物の鼻で、画像コントラスト、照明、あるいは顔の一部を妨げる。 U-NETセグメンテーションネットワークの修正版を用いて適用操作を再構築する手法を開発した。 認識の観点からは、顔を認識するために訓練されたResNet-34ネットワークを用いて抽出された特徴に対して、距離測定と訓練された機械学習アルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-10-17T22:10:56Z)
• The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk Screening by Eye-region Manifestations [59.48245489413308]
  携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。 AUC, 感度, 特異性, 精度, F1。
  論文  参考訳（メタデータ） (2021-09-18T02:28:01Z)
• Fast and Accurate Camera Scene Detection on Smartphones [51.424407411660376]
  本稿では,11K以上の手動クロール画像を含むカメラシーン検出データセット(CamSDD)を提案する。 本研究では,このデータセット上で上位3の99.5%の精度を示す,効率的かつNPU対応のCNNモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-17T14:06:21Z)
• Spectral Machine Learning for Pancreatic Mass Imaging Classification [2.841795278340179]
  ct画像を用いた膵腫瘤スクリーニングにはspectrum machine learning法が用いられる。 サンプル外診断分類では試験精度94.6%を達成した。
  論文  参考訳（メタデータ） (2021-05-03T10:17:32Z)
• Towards Ultrafast MRI via Extreme k-Space Undersampling and Superresolution [65.25508348574974]
  我々は、オリジナルのfastMRIチャレンジを参照するすべての公開論文によって報告されたMRI加速係数を下回る。 低解像を補うための強力な深層学習に基づく画像強化手法を検討する。 復元された画像の品質は他の方法よりも高く、MSEは0.00114、PSNRは29.6 dB、SSIMは0.956 x16加速係数である。
  論文  参考訳（メタデータ） (2021-03-04T10:45:01Z)
• Residual-CycleGAN based Camera Adaptation for Robust Diabetic Retinopathy Screening [5.0321876822515295]
  リアルタイムスクリーニングにおいて、自動糖尿病網膜症(DR)検出モデルを適用すると、精度低下が観察される。 カメラブランドが1つしか持たないが、他のブランドのカメラで撮られたイマージで優れたパフォーマンスを実現している、ラベル付きファンドイメージの分類モデルをどうやってトレーニングできるのか? カメラ指向残差GANを提案し、ドメイン適応によりカメラブランドの差異を緩和し、ターゲットカメラ画像の分類性能を高める。
  論文  参考訳（メタデータ） (2020-07-31T07:10:21Z)

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。