論文の概要: UCM-Net: A Lightweight and Efficient Solution for Skin Lesion
Segmentation using MLP and CNN
- arxiv url: http://arxiv.org/abs/2310.09457v1
- Date: Sat, 14 Oct 2023 00:32:11 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-17 20:24:03.081930
- Title: UCM-Net: A Lightweight and Efficient Solution for Skin Lesion
Segmentation using MLP and CNN
- Title（参考訳）: UCM-Net:MLPとCNNを用いた皮膚病変分割のための軽量かつ効率的な解法
- Authors: Chunyu Yuan, Dongfang Zhao and Sos S. Agaian
- Abstract要約: コンピュータ支援診断における重要なステップは、画像の皮膚病変を正確に分類することである。
深層学習モデルは皮膚病変のセグメンテーションに応用されているが、高いパラメータ数と計算要求がある。
MLP(Multi-Layer Perceptions)と畳み込みニューラルネットワーク(Convolutional Neural Networks, CNN)を統合した,新しい,効率的で軽量なソリューションであるUCM-Netを提案する。
- 参考スコア（独自算出の注目度）: 5.3828476137089325
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Skin cancer is a significant public health problem, and computer-aided
diagnosis can help to prevent and treat it. A crucial step for computer-aided
diagnosis is accurately segmenting skin lesions in images, which allows for
lesion detection, classification, and analysis. However, this task is
challenging due to the diverse characteristics of lesions, such as appearance,
shape, size, color, texture, and location, as well as image quality issues like
noise, artifacts, and occlusions. Deep learning models have recently been
applied to skin lesion segmentation, but they have high parameter counts and
computational demands, making them unsuitable for mobile health applications.
To address this challenge, we propose UCM-Net, a novel, efficient, and
lightweight solution that integrates Multi-Layer Perceptions (MLP) and
Convolutional Neural Networks (CNN). Unlike conventional UNet architectures,
our UCMNet-Block reduces parameter overhead and enhances UCM-Net's learning
capabilities, leading to robust segmentation performance. We validate UCM-Net's
competitiveness through extensive experiments on isic2017 and isic2018
datasets. Remarkably, UCM-Net has less than 50KB parameters and less than 0.05
Giga-Operations Per Second (GLOPs), setting a new possible standard for
efficiency in skin lesion segmentation. The source code will be publicly
available.
- Abstract（参考訳）: 皮膚がんは公衆の健康に重大な問題であり、コンピュータ診断はがんの予防と治療に役立つ。
コンピュータ支援診断の重要なステップは、画像中の皮膚病変を正確に分割し、病変の検出、分類、分析を可能にすることである。
しかし, この課題は, 外観, 形状, 形状, 色, テクスチャ, 位置, およびノイズ, アーティファクト, 閉塞などの画像品質の問題など, 病変の多様な特徴により困難である。
深層学習モデルは、最近、皮膚病変のセグメンテーションに応用されているが、パラメータ数と計算要求が高く、モバイル健康アプリケーションには適さない。
本稿では,MLP(Multi-Layer Perceptions)とCNN(Convolutional Neural Networks)を統合した,新しい,効率的で軽量なソリューションであるUCM-Netを提案する。
従来のUCMNetアーキテクチャとは異なり、UCMNet-Blockはパラメータのオーバーヘッドを減らし、UCM-Netの学習能力を向上し、堅牢なセグメンテーション性能をもたらす。
isic2017とisic2018データセットに関する広範な実験を通じて、umm-netの競争力を検証する。
注目すべきは、UCM-Netは50KB未満のパラメータと0.05ギガ秒未満のGiga-Operations Per Second (GLOPs)を持ち、皮膚病変のセグメンテーションの効率性のための新しい標準となることである。
ソースコードは公開される予定だ。
関連論文リスト
- MobileUNETR: A Lightweight End-To-End Hybrid Vision Transformer For Efficient Medical Image Segmentation [0.12499537119440242]
皮膚がんのセグメンテーションは、医療画像解析において重要な課題である。
MobileUNETRは、CNNとTransformerの両方のパフォーマンス制約を克服することを目指している。
MobileUNETRは300万のパラメータと1.3 GFLOPの計算複雑性で優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-09-04T20:23:37Z) - MUCM-Net: A Mamba Powered UCM-Net for Skin Lesion Segmentation [4.7894373545842805]
皮膚病変のセグメンテーションは早期皮膚がん検出の鍵となる。
CNNやU-Netといったディープラーニング手法は、これらの問題に対処する上で有望であることを示している。
本稿では,Mamba State-Space ModelsとUCM-Netアーキテクチャを組み合わせたMUCM-Netを提案する。
論文 参考訳（メタデータ） (2024-05-24T20:33:59Z) - LHU-Net: A Light Hybrid U-Net for Cost-Efficient, High-Performance Volumetric Medical Image Segmentation [4.168081528698768]
医用画像分割のための合理化ハイブリッドU-NetであるLHU-Netを紹介する。
5つのベンチマークデータセットでテストした結果、LHU-Netは優れた効率と精度を示した。
論文 参考訳（メタデータ） (2024-04-07T22:58:18Z) - SLP-Net:An efficient lightweight network for segmentation of skin
lesions [9.812172372998358]
SLP-Netは、スパイキングニューラルP(SNP)システム型機構に基づく超軽量皮膚病変セグメンテーションネットワークである。
通常のエンコーダ・デコーダ構造を持たない軽量なマルチスケール特徴抽出器を設計する。
ISIC2018チャレンジの実験では、提案されたモデルが最先端の手法の中で最も高いAccとDSCを持つことを示した。
論文 参考訳（メタデータ） (2023-12-20T06:22:21Z) - EPIM: Efficient Processing-In-Memory Accelerators based on Epitome [78.79382890789607]
畳み込みのような機能を提供する軽量神経オペレータであるEpitomeを紹介する。
ソフトウェア側では,PIMアクセラレータ上でのエピトームのレイテンシとエネルギを評価する。
ハードウェア効率を向上させるため,PIM対応層設計手法を提案する。
論文 参考訳（メタデータ） (2023-11-12T17:56:39Z) - SegNeXt: Rethinking Convolutional Attention Design for Semantic
Segmentation [100.89770978711464]
セマンティックセグメンテーションのための単純な畳み込みネットワークアーキテクチャであるSegNeXtを提案する。
コンボリューションアテンションは、トランスフォーマーの自己認識メカニズムよりも、文脈情報をエンコードするより効率的で効果的な方法であることを示す。
論文 参考訳（メタデータ） (2022-09-18T14:33:49Z) - Go Beyond Multiple Instance Neural Networks: Deep-learning Models based
on Local Pattern Aggregation [0.0]
畳み込みニューラルネットワーク(CNN)は、臨床心電図(ECG)と話者非依存音声の処理においてブレークスルーをもたらした。
本稿では,局所的なパターン集約に基づくディープラーニングモデルを提案する。
LPANetと呼ばれる新しいネットワーク構造には、トリミングと集約操作が組み込まれている。
論文 参考訳（メタデータ） (2022-05-28T13:18:18Z) - An Adaptive Device-Edge Co-Inference Framework Based on Soft
Actor-Critic [72.35307086274912]
高次元パラメータモデルと大規模数学的計算は、特にIoT(Internet of Things)デバイスにおける実行効率を制限する。
本稿では,ソフトポリシーの繰り返しによるエフェキシット点,エフェキシット点,エンフェキシット点を生成する離散的(SAC-d)のための新しい深層強化学習(DRL)-ソフトアクタ批判法を提案する。
レイテンシと精度を意識した報酬設計に基づいて、そのような計算は動的無線チャンネルや任意の処理のような複雑な環境によく適応でき、5G URLをサポートすることができる。
論文 参考訳（メタデータ） (2022-01-09T09:31:50Z) - 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) - Quantized Neural Networks via {-1, +1} Encoding Decomposition and
Acceleration [83.84684675841167]
本稿では,量子化されたニューラルネットワーク(QNN)をマルチブランチバイナリネットワークに分解するために,-1,+1を用いた新しい符号化方式を提案する。
本稿では,大規模画像分類,オブジェクト検出,セマンティックセグメンテーションにおける提案手法の有効性を検証する。
論文 参考訳（メタデータ） (2021-06-18T03:11:15Z) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z)
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。