論文の概要: Attention-Driven Lightweight Model for Pigmented Skin Lesion Detection
- arxiv url: http://arxiv.org/abs/2308.02119v1
- Date: Fri, 4 Aug 2023 03:18:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-07 14:03:24.729984
- Title: Attention-Driven Lightweight Model for Pigmented Skin Lesion Detection
- Title（参考訳）: 顔料皮膚病変検出のための注意駆動軽量モデル
- Authors: Mingzhe Hu, Xiaofeng Yang
- Abstract要約: パイプラインはゴースト機能とDFCアテンションメカニズムを活用して計算複雑性を低減する軽量モデルを中心に構築されている。
このモデルは、さまざまな種類の皮膚病変を含むHAM10000データセットでトレーニングされた。
このモデルは92.4%の精度、84.2%の精度、86.9%のリコール、85.4%のf1スコア、特に良性角膜症様病変(BKL)とNevus(NV)の同定に強い性能を示した。
- 参考スコア（独自算出の注目度）: 1.7290041598075732
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This study presents a lightweight pipeline for skin lesion detection,
addressing the challenges posed by imbalanced class distribution and subtle or
atypical appearances of some lesions. The pipeline is built around a
lightweight model that leverages ghosted features and the DFC attention
mechanism to reduce computational complexity while maintaining high
performance. The model was trained on the HAM10000 dataset, which includes
various types of skin lesions. To address the class imbalance in the dataset,
the synthetic minority over-sampling technique and various image augmentation
techniques were used. The model also incorporates a knowledge-based loss
weighting technique, which assigns different weights to the loss function at
the class level and the instance level, helping the model focus on minority
classes and challenging samples. This technique involves assigning different
weights to the loss function on two levels - the class level and the instance
level. By applying appropriate loss weights, the model pays more attention to
the minority classes and challenging samples, thus improving its ability to
correctly detect and classify different skin lesions. The model achieved an
accuracy of 92.4%, a precision of 84.2%, a recall of 86.9%, a f1-score of 85.4%
with particularly strong performance in identifying Benign Keratosis-like
lesions (BKL) and Nevus (NV). Despite its superior performance, the model's
computational cost is considerably lower than some models with less accuracy,
making it an optimal solution for real-world applications where both accuracy
and efficiency are essential.
- Abstract（参考訳）: 本研究は, 皮膚病変検出のための軽量パイプラインで, 不均衡なクラス分布と, 微妙または非典型的病変の出現による課題に対処するものである。
パイプラインはゴースト機能とDFCアテンションメカニズムを活用する軽量モデルを中心に構築され、高性能を維持しながら計算複雑性を低減する。
モデルは、様々な種類の皮膚病変を含むham10000データセットでトレーニングされた。
データセットのクラス不均衡に対処するために、合成マイノリティオーバーサンプリング技術と様々な画像拡張技術を用いた。
このモデルには、クラスレベルとインスタンスレベルの損失関数に異なる重み付けを割り当てる知識ベースの損失重み付け技術も組み込まれており、モデルがマイノリティクラスと挑戦的なサンプルに集中するのに役立つ。
このテクニックでは、クラスレベルとインスタンスレベルという2つのレベルで損失関数に異なる重みを割り当てる。
適切な損失重みを適用することで、モデルはマイノリティクラスと挑戦的なサンプルにより多くの注意を払い、異なる皮膚病変を正しく検出し分類する能力を向上させる。
このモデルは92.4%の精度、84.2%の精度、86.9%のリコール、85.4%のf1スコア、特に良性角膜症様病変(BKL)とNevus(NV)の同定に強い性能を示した。
優れた性能にもかかわらず、モデルの計算コストはいくつかのモデルよりもかなり低く、精度と効率の両方が不可欠である実世界のアプリケーションに最適な解決策となる。
関連論文リスト
- Classifier Enhanced Deep Learning Model for Erythroblast Differentiation with Limited Data [0.08388591755871733]
病態と遺伝疾患の1%を含む血液疾患は、重大な診断上の課題を呈している。
本手法では,機械学習モデルの有効性を考慮した各種機械学習設定の評価を行う。
データが利用可能になった場合、提案されたソリューションは、小さくてユニークなデータセットの精度を高めるためのソリューションである。
論文 参考訳（メタデータ） (2024-11-23T15:51:15Z) - Small-scale proxies for large-scale Transformer training instabilities [69.36381318171338]
我々は、小規模でトレーニングの安定性と不安定性を再現し、研究する方法を模索する。
学習速度とスケールによる損失の関係を計測することにより,これらの不安定性は,学習率の高いトレーニングにおいて,小さなモデルにも現れることを示す。
ウォームアップ,ウェイト崩壊,および$mu$Paramなどの手法を用いて,学習速度変化の桁数で同様の損失を被る小さなモデルを訓練する。
論文 参考訳（メタデータ） (2023-09-25T17:48:51Z) - Adaptive Distribution Calibration for Few-Shot Learning with
Hierarchical Optimal Transport [78.9167477093745]
本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。
標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
論文 参考訳（メタデータ） (2022-10-09T02:32:57Z) - Analyzing the Effects of Handling Data Imbalance on Learned Features
from Medical Images by Looking Into the Models [50.537859423741644]
不均衡なデータセットでモデルをトレーニングすることは、学習問題にユニークな課題をもたらす可能性がある。
ニューラルネットワークの内部ユニットを深く調べて、データの不均衡処理が学習した機能にどのように影響するかを観察します。
論文 参考訳（メタデータ） (2022-04-04T09:38:38Z) - SSD-KD: A Self-supervised Diverse Knowledge Distillation Method for
Lightweight Skin Lesion Classification Using Dermoscopic Images [62.60956024215873]
皮膚がんは最も一般的な悪性腫瘍の1つであり、人口に影響を与え、世界中で経済的な重荷を負っている。
皮膚がん検出のほとんどの研究は、ポータブルデバイス上での計算資源の制限を考慮せずに、高い予測精度を追求している。
本研究は,皮膚疾患分類のための汎用的なKDフレームワークに多様な知識を統一する,SSD-KDと呼ばれる新しい手法を提案する。
論文 参考訳（メタデータ） (2022-03-22T06:54:29Z) - SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion
Classification [9.265557367859637]
SuperConは、皮膚病変分類におけるクラス不均衡問題を克服するための2段階のトレーニング戦略である。
2段階のトレーニング戦略は,クラス不均衡の分類問題に効果的に対処し,F1スコアとAUCスコアの点で既存の作業を大幅に改善する。
論文 参考訳（メタデータ） (2022-02-11T15:19:36Z) - CMW-Net: Learning a Class-Aware Sample Weighting Mapping for Robust Deep
Learning [55.733193075728096]
現代のディープニューラルネットワークは、破損したラベルやクラス不均衡を含むバイアス付きトレーニングデータに容易に適合する。
サンプル再重み付け手法は、このデータバイアス問題を緩和するために一般的に使用されている。
本稿では,データから直接明示的な重み付け方式を適応的に学習できるメタモデルを提案する。
論文 参考訳（メタデータ） (2022-02-11T13:49:51Z) - FairIF: Boosting Fairness in Deep Learning via Influence Functions with
Validation Set Sensitive Attributes [51.02407217197623]
本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。
サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。
FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T05:14:48Z) - Multi-loss ensemble deep learning for chest X-ray classification [0.8594140167290096]
クラス不均衡は、異常サンプルの数が正常サンプルの数より少ない医療画像分類タスクでよく見られる。
本稿では,DLモデルを訓練し,その性能を多クラス分類設定で解析する新しい損失関数を提案する。
論文 参考訳（メタデータ） (2021-09-29T14:14:04Z) - Single Model Deep Learning on Imbalanced Small Datasets for Skin Lesion
Classification [5.642359877598896]
本稿では,小・不均衡なデータセットに基づく皮膚病変の単一モデル分類のための新しいデータ拡張戦略を提案する。
このデータセット上で、様々なDCNNがトレーニングされ、適度な複雑さを持つモデルがより大きなモデルより優れていることを示す。
修正RandAugmentとMulti-weighted Focal Lossを1つのDCNNモデルで組み合わせることで、ISIC 2018チャレンジテストデータセット上の複数のアンサンブルモデルに匹敵する分類精度を達成した。
論文 参考訳（メタデータ） (2021-02-02T03:48:55Z) - Class-Wise Difficulty-Balanced Loss for Solving Class-Imbalance [6.875312133832079]
そこで本研究では,クラスワイド・バランサード・ロスと呼ばれる新しい損失関数を提案する。
サンプルが属するクラスの難易度に応じて、各サンプルに動的に重みを分配する。
その結果、CDB損失はクラス不均衡データセットにおける最近提案された損失関数よりも一貫して優れていた。
論文 参考訳（メタデータ） (2020-10-05T07:19:19Z)
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。