Fugu-MT 論文翻訳(概要): BGF-YOLO: Enhanced YOLOv8 with Multiscale Attentional Feature Fusion for Brain Tumor Detection

論文の概要: BGF-YOLO: Enhanced YOLOv8 with Multiscale Attentional Feature Fusion for Brain Tumor Detection

arxiv url: http://arxiv.org/abs/2309.12585v2
Date: Mon, 25 Sep 2023 14:44:29 GMT
ステータス: 処理完了
システム内更新日: 2023-09-26 10:38:19.617316
Title: BGF-YOLO: Enhanced YOLOv8 with Multiscale Attentional Feature Fusion for Brain Tumor Detection
Title（参考訳）: BGF-YOLO:脳腫瘍検出のためのマルチスケール注意機能融合によるYOLOv8の増強
Authors: Ming Kang, Chee-Ming Ting, Fung Fung Ting, Rapha\"el C.-W. Phan
Abstract要約: You Only Look Once (YOLO)ベースの物体検出器は、自動脳腫瘍検出に顕著な精度を示している。 BRA(Bi-level Routing Attention)、一般特徴ピラミッドネットワーク(GFPN)、第4検出ヘッドをYOLOv8に組み込んだ新しいBGF-YOLOアーキテクチャを開発した。 BGF-YOLOは、YOLOv8xと比較して4.7%のmAP$_50$を絶対的に増加させ、脳腫瘍検出データセットBr35Hの最先端を達成する。
参考スコア（独自算出の注目度）: 7.798672884591179
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: You Only Look Once (YOLO)-based object detectors have shown remarkable accuracy for automated brain tumor detection. In this paper, we develop a novel BGF-YOLO architecture by incorporating Bi-level Routing Attention (BRA), Generalized feature pyramid networks (GFPN), and Fourth detecting head into YOLOv8. BGF-YOLO contains an attention mechanism to focus more on important features, and feature pyramid networks to enrich feature representation by merging high-level semantic features with spatial details. Furthermore, we investigate the effect of different attention mechanisms and feature fusions, detection head architectures on brain tumor detection accuracy. Experimental results show that BGF-YOLO gives a 4.7% absolute increase of mAP$_{50}$ compared to YOLOv8x, and achieves state-of-the-art on the brain tumor detection dataset Br35H. The code is available at https://github.com/mkang315/BGF-YOLO.
Abstract（参考訳）: You Only Look Once (YOLO)ベースの物体検出器は、自動脳腫瘍検出に顕著な精度を示している。本稿では,BRA(Bi-level Routing Attention),一般特徴ピラミッドネットワーク(GFPN),第4検出ヘッドをYOLOv8に組み込んだ新しいBGF-YOLOアーキテクチャを提案する。 BGF-YOLOは、重要な特徴にもっと焦点を合わせるための注意機構と、高レベルのセマンティックな特徴と空間的詳細を融合して特徴表現を豊かにする特徴ピラミッドネットワークを含んでいる。さらに,脳腫瘍検出精度に異なる注意機構と特徴融合,検出ヘッドアーキテクチャが与える影響について検討した。実験の結果、BGF-YOLOは、YOLOv8xと比較して4.7%のmAP$_{50}$を絶対的に増加させ、脳腫瘍検出データセットBr35Hの最先端を達成することが示された。コードはhttps://github.com/mkang315/BGF-YOLOで公開されている。

関連論文リスト

PK-YOLO: Pretrained Knowledge Guided YOLO for Brain Tumor Detection in Multiplanar MRI Slices [6.502259209532815]
我々は、PK-YOLOと呼ばれる事前学習知識(PK)を組み込んだ新しいYou Only Look Once(YOLO)ベースの検出モデルを提案する。 PK-YOLOは、YOLOをベースとした物体検出器として初めて訓練された知識である。提案したPK-YOLOは,多平面MRI脳腫瘍検出データセット上での競合性能を示す。
論文参考訳（メタデータ） (2024-10-29T07:45:59Z)
LSM-YOLO: A Compact and Effective ROI Detector for Medical Detection [8.812471041082105]
軽量適応抽出(LAE)とマルチパスシャント特徴マッチング(MSFM)を組み合わせた軽量シャントマッチングヨロ(LSM-YOLO)という新しいモデルを提案する。 LSM-YOLOは、膵腫瘍のプライベートデータセットで48.6%AP、BCCD血液細胞検出公開データセットで65.1%AP、Br35h脳腫瘍検出公開データセットで73.0%APを達成した。
論文参考訳（メタデータ） (2024-08-26T08:16:58Z)
Hyper-YOLO: When Visual Object Detection Meets Hypergraph Computation [74.65906322148997]
本稿では,画像特徴量間の複雑な高次相関を捉えるためにハイパーグラフ計算を統合する新しいオブジェクト検出手法を提案する。 Hyper-YOLOは、高度なYOLOv8-NとYOLOv9Tを12%のtextval$と9%のAPMoonLabの改善で大幅に上回っている。
論文参考訳（メタデータ） (2024-08-09T01:21:15Z)
YOLOv8-AM: YOLOv8 Based on Effective Attention Mechanisms for Pediatric Wrist Fracture Detection [0.0]
本研究は,本来のYOLOv8アーキテクチャにアテンション機構を組み込んだYOLOv8-AMを提案する。 ResBlock + CBAM (ResCBAM) に基づくYOLOv8-AMモデルのIoU 50(mAP 50)の平均精度は63.6%から65.8%に向上し,SOTAの性能が向上した。
論文参考訳（メタデータ） (2024-02-14T17:18:15Z)
ADA-YOLO: Dynamic Fusion of YOLOv8 and Adaptive Heads for Precise Image Detection and Diagnosis [0.9804179673817571]
本稿では,注目に基づく機構をYOLOv8アーキテクチャと統合した,軽量かつ効果的な医療オブジェクト検出手法であるADA-YOLOを提案する。提案手法は,テキスト適応型ヘッドモジュールによるコンピュータビジョンタスクの動的特徴ローカライゼーションと並列回帰を利用する。
論文参考訳（メタデータ） (2023-12-14T18:27:13Z)
UniBrain: Universal Brain MRI Diagnosis with Hierarchical Knowledge-enhanced Pre-training [66.16134293168535]
我々はUniBrainと呼ばれるユニバーサル脳MRI診断のための階層的知識強化事前訓練フレームワークを提案する。具体的には、UniBrainは、定期的な診断から24,770のイメージレポートペアの大規模なデータセットを活用する。
論文参考訳（メタデータ） (2023-09-13T09:22:49Z)
YOLO-MS: Rethinking Multi-Scale Representation Learning for Real-time Object Detection [80.11152626362109]
YOLO-MSと呼ばれる効率的かつ高性能な物体検出器を提供する。私たちは、他の大規模なデータセットに頼ることなく、MS COCOデータセット上でYOLO-MSをスクラッチからトレーニングします。私たちの仕事は、他のYOLOモデルのプラグイン・アンド・プレイ・モジュールとしても使えます。
論文参考訳（メタデータ） (2023-08-10T10:12:27Z)
RCS-YOLO: A Fast and High-Accuracy Object Detector for Brain Tumor Detection [7.798672884591179]
チャネルシャッフル(RCS-YOLO)に基づく新しいYOLOアーキテクチャを提案する。脳腫瘍データセット Br35H の実験的結果は,提案モデルが YOLOv6, YOLOv7, YOLOv8 を超える速度と精度を示した。提案したRCS-YOLOは,脳腫瘍検出タスクにおける最先端の性能を実現する。
論文参考訳（メタデータ） (2023-07-31T05:38:17Z)
SEMPAI: a Self-Enhancing Multi-Photon Artificial Intelligence for prior-informed assessment of muscle function and pathology [48.54269377408277]
本稿では,仮説駆動型先行処理をデータ駆動型ディープラーニングアプローチに統合した,SEMPAI(Self-Enhancing Multi-Photon Artificial Intelligence)を紹介する。 SEMPAIは、小さなデータセットの予測を可能にするために、いくつかのタスクを共同で学習する。 SEMPAIは、少ないデータを含む7つの予測タスクのうち6つにおいて、最先端のバイオマーカーよりも優れています。
論文参考訳（メタデータ） (2022-10-28T17:03:04Z)
A lightweight and accurate YOLO-like network for small target detection in Aerial Imagery [94.78943497436492]
小型ターゲット検出のためのシンプルで高速で効率的なネットワークであるYOLO-Sを提案する。 YOLO-SはDarknet20をベースとした小さな特徴抽出器と、バイパスと連結の両方を通じて接続をスキップする。 YOLO-Sはパラメータサイズが87%減少し、約半分のFLOPがYOLOv3となり、低消費電力の産業用アプリケーションに実用化された。
論文参考訳（メタデータ） (2022-04-05T16:29:49Z)
A Graph Gaussian Embedding Method for Predicting Alzheimer's Disease Progression with MEG Brain Networks [59.15734147867412]
アルツハイマー病(AD)に関連する機能的脳ネットワークの微妙な変化を特徴付けることは、疾患進行の早期診断と予測に重要である。我々は、多重グラフガウス埋め込みモデル(MG2G)と呼ばれる新しいディープラーニング手法を開発した。我々はMG2Gを用いて、MEG脳ネットワークの内在性潜在性次元を検出し、軽度認知障害(MCI)患者のADへの進行を予測し、MCIに関連するネットワーク変化を伴う脳領域を同定した。
論文参考訳（メタデータ） (2020-05-08T02:29:24Z)

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。