論文の概要: T-Fusion Net: A Novel Deep Neural Network Augmented with Multiple
Localizations based Spatial Attention Mechanisms for Covid-19 Detection
- arxiv url: http://arxiv.org/abs/2308.00053v1
- Date: Mon, 31 Jul 2023 18:18:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-02 16:38:21.943349
- Title: T-Fusion Net: A Novel Deep Neural Network Augmented with Multiple
Localizations based Spatial Attention Mechanisms for Covid-19 Detection
- Title(参考訳): t-fusion net:covid-19検出のための空間的注意機構に基づく複数位置対応型深層ニューラルネットワーク
- Authors: Susmita Ghosh and Abhiroop Chatterjee
- Abstract要約: 本研究は、複数の局所化に基づく空間的注意を増大させる新しいディープニューラルネットワーク(T-Fusion Net)を提案する。
さらに、同ネットワークの同種アンサンブルを用いて、画像分類精度を高める。
提案したT-フュージョンネットと同質アンサンブルモデルは,他の最先端手法と比較して,優れた性能を示す。
- 参考スコア(独自算出の注目度): 0.7614628596146599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, deep neural networks are yielding better performance in
image classification tasks. However, the increasing complexity of datasets and
the demand for improved performance necessitate the exploration of innovative
techniques. The present work proposes a new deep neural network (called as,
T-Fusion Net) that augments multiple localizations based spatial attention.
This attention mechanism allows the network to focus on relevant image regions,
improving its discriminative power. A homogeneous ensemble of the said network
is further used to enhance image classification accuracy. For ensembling, the
proposed approach considers multiple instances of individual T-Fusion Net. The
model incorporates fuzzy max fusion to merge the outputs of individual nets.
The fusion process is optimized through a carefully chosen parameter to strike
a balance on the contributions of the individual models. Experimental
evaluations on benchmark Covid-19 (SARS-CoV-2 CT scan) dataset demonstrate the
effectiveness of the proposed T-Fusion Net as well as its ensemble. The
proposed T-Fusion Net and the homogeneous ensemble model exhibit better
performance, as compared to other state-of-the-art methods, achieving accuracy
of 97.59% and 98.4%, respectively.
- Abstract(参考訳): 近年、ディープニューラルネットワークは画像分類タスクにおいてより良いパフォーマンスを実現している。
しかし、データセットの複雑さの増大とパフォーマンス向上の需要は、革新的な技術を探究する必要がある。
本研究は,空間的注意に基づく複数の局所化を増強する新しい深層ニューラルネットワーク(t-fusion netと呼ばれる)を提案する。
この注意機構により、ネットワークは関連する画像領域に集中することができ、識別能力が向上する。
このネットワークの均質なアンサンブルは、さらに画像分類精度を高めるために用いられる。
アンサンブルの場合、提案手法は個々のT-フュージョンネットの複数のインスタンスを考慮する。
このモデルはファジィマックス融合を組み込んで個々のネットの出力をマージする。
融合プロセスは慎重に選択されたパラメータを通して最適化され、個々のモデルの貢献度にバランスをとる。
ベンチマークCovid-19 (SARS-CoV-2 CTスキャン) による実験により,提案したT-フュージョンネットの有効性とアンサンブルの有効性が示された。
提案するt-fusion netと均質アンサンブルモデルの性能は, 他の最先端法と比較して, それぞれ97.59%, 98.4%の精度を示した。
関連論文リスト
- Towards Meta-Pruning via Optimal Transport [64.6060250923073]
本稿では, フラニングパラダイムに挑戦する「イントラフュージョン」という新しいアプローチを提案する。
モデル融合と最適輸送の概念を利用して、より効果的なスパースモデル表現に到達する。
CIFAR-10, CIFAR-100, ImageNetなどの一般的なデータセット上で, 各種ネットワークのベンチマークを行った。
論文 参考訳(メタデータ) (2024-02-12T17:50:56Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳(メタデータ) (2023-10-11T07:30:37Z) - Enabling Efficient Deep Convolutional Neural Network-based Sensor Fusion
for Autonomous Driving [10.326217500172689]
DCNN間の融合は、良好な認識精度を達成するための有望な戦略として証明されている。
本稿では,融合した特徴マップ間の特徴差の度合いを計測する特徴不均一度尺度を提案する。
また、計算オーバーヘッドを少なくして精度を向上できる層共有手法をディープ層に提案する。
論文 参考訳(メタデータ) (2022-02-22T23:35:30Z) - CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。
グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究
本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
論文 参考訳(メタデータ) (2021-12-07T11:37:36Z) - Model Fusion of Heterogeneous Neural Networks via Cross-Layer Alignment [17.735593218773758]
CLAFusionと呼ばれる新しいモデル融合フレームワークを提案し、異なる層でニューラルネットワークを融合させる。
階層間のアライメントに基づいて、階層モデル融合を適用する前に、ニューラルネットワークの層数のバランスをとる。
論文 参考訳(メタデータ) (2021-10-29T05:02:23Z) - CondenseNet V2: Sparse Feature Reactivation for Deep Networks [87.38447745642479]
高密度接続によるディープネットワークの機能再利用は、高い計算効率を達成する効果的な方法である。
スパース機能再活性化(SFR)と呼ばれる代替アプローチを提案し、再利用機能の有用性を積極的に高めることを目指しています。
提案手法は画像分類(ImageNet, CIFAR)とオブジェクト検出(MSCOCO)において,理論的効率と実用的速度の両面で有望な性能を達成できることを示す。
論文 参考訳(メタデータ) (2021-04-09T14:12:43Z) - LocalDrop: A Hybrid Regularization for Deep Neural Networks [98.30782118441158]
本稿では,ローカルラデマチャー複雑性を用いたニューラルネットワークの正規化のための新しい手法であるLocalDropを提案する。
フルコネクテッドネットワーク(FCN)と畳み込みニューラルネットワーク(CNN)の両方のための新しい正規化機能は、ローカルラデマチャー複雑さの上限提案に基づいて開発されました。
論文 参考訳(メタデータ) (2021-03-01T03:10:11Z) - Ensembles of Spiking Neural Networks [0.3007949058551534]
本稿では,最先端の結果を生み出すスパイクニューラルネットワークのアンサンブルを構築する方法について述べる。
MNIST, NMNIST, DVS Gestureデータセットの分類精度は98.71%, 100.0%, 99.09%である。
我々は、スパイキングニューラルネットワークをGLM予測器として形式化し、ターゲットドメインに適した表現を識別する。
論文 参考訳(メタデータ) (2020-10-15T17:45:18Z) - Iterative Network for Image Super-Resolution [69.07361550998318]
単一画像超解像(SISR)は、最近の畳み込みニューラルネットワーク(CNN)の発展により、大幅に活性化されている。
本稿では、従来のSISRアルゴリズムに関する新たな知見を提供し、反復最適化に依存するアプローチを提案する。
反復最適化の上に,新しい反復型超解像ネットワーク (ISRN) を提案する。
論文 参考訳(メタデータ) (2020-05-20T11:11:47Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳(メタデータ) (2019-10-12T22:07:15Z)
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。