論文の概要: EDAC: Efficient Deployment of Audio Classification Models For COVID-19 Detection

• arxiv url: http://arxiv.org/abs/2309.05357v1
• Date: Mon, 11 Sep 2023 10:07:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-12 13:09:40.235841
• Title: EDAC: Efficient Deployment of Audio Classification Models For COVID-19 Detection
• Title（参考訳）: edac:covid-19検出のための音響分類モデルの効率的な展開
• Authors: Andrej Jovanovi\'c, Mario Mihaly, Lennon Donaldson
• Abstract要約: 新型コロナウイルスの世界的な感染拡大は、公衆衛生や世界経済に深刻な影響を及ぼした。 新型コロナウイルスを検出するために、さまざまな研究者が機械学習手法を利用した。 このソリューションは、CTスキャンや粗い音声信号などの様々な入力機能と、ディープニューラルネットワークアーキテクチャから生じる最先端の結果を活用する。 この問題に対処するため、私たちはまず、新型コロナウイルスを検出するためにうっ血録音を使用する2つのモデルを再現しました。
• 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: The global spread of COVID-19 had severe consequences for public health and the world economy. The quick onset of the pandemic highlighted the potential benefits of cheap and deployable pre-screening methods to monitor the prevalence of the disease in a population. Various researchers made use of machine learning methods in an attempt to detect COVID-19. The solutions leverage various input features, such as CT scans or cough audio signals, with state-of-the-art results arising from deep neural network architectures. However, larger models require more compute; a pertinent consideration when deploying to the edge. To address this, we first recreated two models that use cough audio recordings to detect COVID-19. Through applying network pruning and quantisation, we were able to compress these two architectures without reducing the model's predictive performance. Specifically, we were able to achieve an 105.76x and an 19.34x reduction in the compressed model file size with corresponding 1.37x and 1.71x reductions in the inference times of the two models.
• Abstract（参考訳）: 新型コロナウイルスの世界的な拡大は公衆衛生と世界経済に深刻な影響を及ぼした。 パンデミックの早期発生は、人口の感染状況を監視するため、安価で展開可能な事前スクリーニング手法の潜在的な利点を強調した。 さまざまな研究者が、新型コロナウイルスの検出に機械学習の手法を利用した。 このソリューションは、CTスキャンや音声信号などのさまざまな入力機能と、ディープニューラルネットワークアーキテクチャによる最先端の結果を活用する。 しかし、より大きなモデルにはより多くの計算が必要であり、エッジにデプロイする際の考慮事項である。 これに対処するために、私たちはcovid-19の検出にcough audio recordingsを使用する2つのモデルを初めて作り直しました。 ネットワークプルーニングと量子化を適用することで,モデルの予測性能を低下させることなく,これら2つのアーキテクチャを圧縮することができた。 具体的には、圧縮されたモデルファイルサイズが105.76x、19.34x、対応する1.37xと1.71xの2モデルの推論時間を削減できる。

関連論文リスト

• Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
  1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。 本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
  論文  参考訳（メタデータ） (2024-09-29T07:04:26Z)
• Developing a multi-variate prediction model for the detection of COVID-19 from Crowd-sourced Respiratory Voice Data [0.0]
  この研究の新規性は、音声記録から新型コロナウイルス患者を識別するためのディープラーニングモデルの開発である。 私たちは、新型コロナウイルスのサウンドアプリを使った4352人の参加者からクラウドソースされた、853のオーディオサンプルからなるケンブリッジ大学のデータセットを使用しました。 音声データに基づいて,陽性症例を検出する深層学習分類モデルを開発した。
  論文  参考訳（メタデータ） (2022-09-08T11:46:37Z)
• D2A U-Net: Automatic Segmentation of COVID-19 Lesions from CT Slices with Dilated Convolution and Dual Attention Mechanism [9.84838467721235]
  拡張型コンボリューションと新しいデュアルアテンション機構に基づくCTスライスにおけるCOVID-19病変セグメンテーションのための拡張型デュアルアテンションU-Net(D2A U-Net)を提案する。 以上の結果から,拡張畳み込みと二重注意機構を導入することにより,偽陽性の数が大幅に減少することが示唆された。
  論文  参考訳（メタデータ） (2021-02-10T01:21:59Z)
• Automated Model Design and Benchmarking of 3D Deep Learning Models for COVID-19 Detection with Chest CT Scans [72.04652116817238]
  3D胸部CTスキャン分類のための3D DLモデルを自動的に検索するための差別化可能なニューラルネットワーク探索(DNAS)フレームワークを提案する。 また,我々のモデルのクラスアクティベーションマッピング(cam)技術を利用して,結果の解釈可能性を提供する。
  論文  参考訳（メタデータ） (2021-01-14T03:45:01Z)
• End-2-End COVID-19 Detection from Breath & Cough Audio [68.41471917650571]
  クラウドソースのオーディオサンプルからエンドツーエンドのディープラーニングを使用してCOVID-19を診断する最初の試みを実証します。 本研究では, 人工深層ニューラルネットワークを用いて, 人工呼吸器から新型コロナを診断する新しいモデル戦略を提案する。
  論文  参考訳（メタデータ） (2021-01-07T01:13:00Z)
• Detecting COVID-19 from Breathing and Coughing Sounds using Deep Neural Networks [68.8204255655161]
  私たちは、Convolutional Neural Networksのアンサンブルを適応させて、スピーカーがCOVID-19に感染しているかどうかを分類します。 最終的には、74.9%のUnweighted Average Recall(UAR)、またはニューラルネットワークをアンサンブルすることで、ROC曲線(AUC)の80.7%を達成する。
  論文  参考訳（メタデータ） (2020-12-29T01:14:17Z)
• COVID-19 Classification Using Staked Ensembles: A Comprehensive Analysis [0.0]
  新型コロナウイルスは大量死亡率で増加し、WHOはパンデミックと宣言した。 効率的かつ迅速な診断が不可欠である。 逆転写ポリメラーゼ鎖反応(RTPCR)テストを行い、SARS-CoV-2の存在を検出する。 代わりに胸部CT(または胸部X線)を高速かつ正確な診断に用いることができる。
  論文  参考訳（メタデータ） (2020-10-07T07:43:57Z)
• Predicting COVID-19 Pneumonia Severity on Chest X-ray with Deep Learning [57.00601760750389]
  前頭部胸部X線画像の重症度予測モデルを提案する。 このようなツールは、エスカレーションやケアの非エスカレーションに使用できる新型コロナウイルスの肺感染症の重症度を測定することができる。
  論文  参考訳（メタデータ） (2020-05-24T23:13:16Z)
• Intra-model Variability in COVID-19 Classification Using Chest X-ray Images [0.0]
  12の共通ディープラーニングアーキテクチャにおいて,胸部X線におけるCOVID-19検出のためのベースライン性能指標と変数の定量化を行う。 最高のパフォーマンスモデルでは、新型コロナウイルスをホールドアウトセットで検出する際の偽陰性率は20点中3点である。
  論文  参考訳（メタデータ） (2020-04-30T21:20:32Z)
• REST: Robust and Efficient Neural Networks for Sleep Monitoring in the Wild [62.36144064259933]
  ニューラルネットワークの逆トレーニングとLipschitz定数の制御を通じて、両問題に同時に対処する新しい方法であるRESTを提案する。 私たちは、RESTがノイズの存在下で、オリジナルのフルサイズのモデルを大幅に上回る、ロバストで効率的なモデルを生成することを実証しています。 これらのモデルをスマートフォン上のAndroidアプリケーションにデプロイすることにより、RESTによってモデルが最大17倍のエネルギー削減と9倍高速な推論を達成することができることを定量的に観察する。
  論文  参考訳（メタデータ） (2020-01-29T17:23:16Z)

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。