論文の概要: Enhancing Breast Cancer Classification Using Transfer ResNet with
Lightweight Attention Mechanism
- arxiv url: http://arxiv.org/abs/2308.13150v1
- Date: Fri, 25 Aug 2023 03:08:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-28 15:22:17.780903
- Title: Enhancing Breast Cancer Classification Using Transfer ResNet with
Lightweight Attention Mechanism
- Title(参考訳): 軽度注意機構を有するTransfer ResNetを用いた乳癌分類の強化
- Authors: Suxing Liu
- Abstract要約: 本稿では,ResNetモデルに基づく画像分類手法を提案し,性能向上のための軽量アテンション機構フレームワークを提案する。
このアルゴリズムの有効性をBreakhisデータセットで検証し,多くの点で優れた性能を示した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have revolutionized image classification by learning
complex feature hierarchies in raw pixel data. This paper introduces an image
classification method based on the ResNet model, and introduces a lightweight
attention mechanism framework to improve performance. The framework optimizes
feature representation, enhances classification capabilities, and improves
feature discriminativeness. We verified the effectiveness of the algorithm on
the Breakhis dataset, showing its superior performance in many aspects. Not
only in terms of conventional models, our method also shows advantages on
state-of-the-art methods such as contemporary visual transformers. Significant
improvements have been achieved in metrics such as precision, accuracy, recall,
F1-score, and G-means, while also performing well in terms of convergence time.
These results strengthen the performance of the algorithm and solidify its
application prospects in practical image classification tasks. Keywords: ResNet
model, Lightweight attention mechanism
- Abstract(参考訳): ディープラーニングモデルは、生のピクセルデータに複雑な特徴階層を学習することで、画像分類に革命をもたらした。
本稿では,ResNetモデルに基づく画像分類手法を提案し,性能向上のための軽量アテンション機構フレームワークを提案する。
このフレームワークは特徴表現を最適化し、分類能力を高め、特徴判別性を改善する。
このアルゴリズムの有効性をBreakhisデータセットで検証し,多くの点で優れた性能を示した。
従来のモデルだけでなく、現代の視覚変換器のような最先端の手法にも利点がある。
精度、正確性、リコール、f1-score、g-meansといった指標で大幅な改善がなされ、収束時間も良好に機能した。
これらの結果により,アルゴリズムの性能が向上し,実用的画像分類タスクにおける応用可能性が高まった。
キーワード:resnetモデル、軽量注意機構
関連論文リスト
- ResNet101 and DAE for Enhance Quality and Classification Accuracy in Skin Cancer Imaging [0.0]
本稿では,ResNet101を用いて,Deep Autoencoder (DAE) という,革新的な畳み込み型アンサンブルネットワーク手法を提案する。
この方法は、畳み込みに基づくディープニューラルネットワークを用いて皮膚がんを検出する。
精度96.03%、精度95.40%、リコール96.05%、F測定0.9576、AUC0.98である。
論文 参考訳(メタデータ) (2024-03-21T09:07:28Z) - OCT-SelfNet: A Self-Supervised Framework with Multi-Modal Datasets for
Generalized and Robust Retinal Disease Detection [2.3349787245442966]
本研究は、眼疾患を検出するための自己教師付き堅牢な機械学習フレームワークであるOCT-SelfNetに貢献する。
本手法は,自己指導型事前学習と教師型微調整を組み合わせた2段階学習手法を用いてこの問題に対処する。
AUC-PR測定では,提案手法は42%を超え,ベースラインに比べて10%以上の性能向上を示した。
論文 参考訳(メタデータ) (2024-01-22T20:17:14Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳(メタデータ) (2023-11-13T19:51:46Z) - A Hybrid Transfer Learning Assisted Decision Support System for Accurate
Prediction of Alzheimer Disease [0.0]
アルツハイマー病は高齢者で最も一般的な長期疾患である。
ディープニューラルモデルは一般的な機械学習よりも正確で効果的である。
論文 参考訳(メタデータ) (2023-10-13T06:48:38Z) - Significantly improving zero-shot X-ray pathology classification via
fine-tuning pre-trained image-text encoders [51.14431540035141]
下流のゼロショット病理分類性能を改善するために,文サンプリングと正対損失緩和に基づく新たな微調整手法を提案する。
4種類の胸部X線データセットを用いてゼロショット病理分類性能を劇的に改善した。
論文 参考訳(メタデータ) (2022-12-14T06:04:18Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳(メタデータ) (2022-01-13T05:24:40Z) - Compact representations of convolutional neural networks via weight
pruning and quantization [63.417651529192014]
本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。
我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
論文 参考訳(メタデータ) (2021-08-28T20:39:54Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - Metastatic Cancer Image Classification Based On Deep Learning Method [7.832709940526033]
画像分類におけるディープラーニングアルゴリズム, DenseNet169 フレームワーク, Rectified Adam 最適化アルゴリズムを併用したNoval法を提案する。
我々のモデルは、Vgg19、Resnet34、Resnet50のような他の古典的畳み込みニューラルネットワークアプローチよりも優れた性能を実現する。
論文 参考訳(メタデータ) (2020-11-13T16:04:39Z) - RetiNerveNet: Using Recursive Deep Learning to Estimate Pointwise 24-2
Visual Field Data based on Retinal Structure [109.33721060718392]
緑内障は 世界でも 不可逆的な盲目の 主要な原因です 7000万人以上が 影響を受けています
The Standard Automated Perimetry (SAP) test's innate difficulty and its high test-retest variable, we propose the RetiNerveNet。
論文 参考訳(メタデータ) (2020-10-15T03:09:08Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z)
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。