論文の概要: MixUp-MIL: A Study on Linear & Multilinear Interpolation-Based Data
Augmentation for Whole Slide Image Classification
- arxiv url: http://arxiv.org/abs/2311.03052v2
- Date: Wed, 6 Dec 2023 15:22:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 18:03:33.439121
- Title: MixUp-MIL: A Study on Linear & Multilinear Interpolation-Based Data
Augmentation for Whole Slide Image Classification
- Title（参考訳）: MixUp-MIL:全スライド画像分類のための線形・多重線形補間に基づくデータ拡張に関する研究
- Authors: Michael Gadermayr and Lukas Koller and Maximilian Tschuchnig and Lea
Maria Stangassinger and Christina Kreutzer and Sebastien Couillard-Despres
and Gertie Janneke Oostingh and Anton Hittmair
- Abstract要約: 本稿では,デジタルスライド画像の分類のためのデータ拡張手法について検討する。
その結果,本手法の効果は極めて高い変動性を示した。
我々は暗黒に光をもたらすいくつかの興味深い側面を特定し、新しい研究分野を同定した。
- 参考スコア（独自算出の注目度）: 1.5810132476010594
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: For classifying digital whole slide images in the absence of pixel level
annotation, typically multiple instance learning methods are applied. Due to
the generic applicability, such methods are currently of very high interest in
the research community, however, the issue of data augmentation in this context
is rarely explored. Here we investigate linear and multilinear interpolation
between feature vectors, a data augmentation technique, which proved to be
capable of improving the generalization performance classification networks and
also for multiple instance learning. Experiments, however, have been performed
on only two rather small data sets and one specific feature extraction approach
so far and a strong dependence on the data set has been identified. Here we
conduct a large study incorporating 10 different data set configurations, two
different feature extraction approaches (supervised and self-supervised), stain
normalization and two multiple instance learning architectures. The results
showed an extraordinarily high variability in the effect of the method. We
identified several interesting aspects to bring light into the darkness and
identified novel promising fields of research.
- Abstract（参考訳）: ピクセルレベルのアノテーションがない場合、デジタル全スライド画像の分類には、通常、複数のインスタンス学習方法が適用される。
汎用的な適用性のため、これらの手法は現在研究コミュニティにおいて非常に高い関心を集めているが、この文脈におけるデータ拡張の問題はほとんど調査されていない。
本稿では,データ拡張手法である特徴ベクトル間の線形および多重線形補間について検討し,一般化性能分類ネットワークの改善と複数インスタンス学習の可能性を示した。
しかし、実験は2つの比較的小さなデータセットと1つの特定の特徴抽出アプローチで行われており、データセットへの強い依存が特定されている。
ここでは、10の異なるデータセット構成、2つの異なる特徴抽出アプローチ(教師付きおよび自己教師付き)、染色正規化、2つの複数のインスタンス学習アーキテクチャを組み込んだ大規模な研究を行う。
その結果, 方法の効果は極めて高い変動率を示した。
我々は暗闇に光をもたらすいくつかの興味深い側面を特定し、新しい研究分野を同定した。
関連論文リスト
- Enhance Image Classification via Inter-Class Image Mixup with Diffusion Model [80.61157097223058]
画像分類性能を高めるための一般的な戦略は、T2Iモデルによって生成された合成画像でトレーニングセットを増強することである。
本研究では,既存のデータ拡張技術の欠点について検討する。
Diff-Mixと呼ばれる革新的なクラス間データ拡張手法を導入する。
論文 参考訳（メタデータ） (2024-03-28T17:23:45Z) - Convolutional autoencoder-based multimodal one-class classification [80.52334952912808]
1クラス分類は、単一のクラスからのデータを用いた学習のアプローチを指す。
マルチモーダルデータに適した深層学習一クラス分類法を提案する。
論文 参考訳（メタデータ） (2023-09-25T12:31:18Z) - Enhancing Deep Learning Models through Tensorization: A Comprehensive
Survey and Framework [0.0]
本稿では,多次元データソース,様々なマルチウェイ解析手法,およびこれらの手法の利点について考察する。
2次元アルゴリズムとPythonのマルチウェイアルゴリズムを比較したBlind Source separation(BSS)の小さな例を示す。
その結果,マルチウェイ解析の方が表現力が高いことが示唆された。
論文 参考訳（メタデータ） (2023-09-05T17:56:22Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳（メタデータ） (2023-07-19T16:42:52Z) - MixUp-MIL: Novel Data Augmentation for Multiple Instance Learning and a
Study on Thyroid Cancer Diagnosis [1.5810132476010594]
複数のインスタンス学習は、ピクセルレベルのアノテーションやパッチレベルのアノテーションがない場合に、スライド画像全体の診断に強力なアプローチを示す。
穴のスライド画像の巨大さにもかかわらず、個々のスライドの数は比較的少なく、ラベル付きサンプルは少ない。
特徴ベクトルの線形性(MixUp)に基づく複数インスタンス学習のための異なるデータ拡張戦略を提案し,検討する。
論文 参考訳（メタデータ） (2022-11-10T20:31:28Z) - Consistency and Diversity induced Human Motion Segmentation [231.36289425663702]
本稿では,CDMS(Consistency and Diversity induced Human Motion)アルゴリズムを提案する。
我々のモデルは、ソースとターゲットデータを異なる多層特徴空間に分解する。
ソースとターゲットデータ間の領域ギャップを低減するために、マルチミューチュアル学習戦略を実行する。
論文 参考訳（メタデータ） (2022-02-10T06:23:56Z) - Multiscale Laplacian Learning [3.24029503704305]
本稿では,機械学習タスクに対する2つの革新的なマルチスケールラプラシアン学習手法を提案する。
マルチカーネル多様体学習(MML)と呼ばれる最初のアプローチは、マルチカーネル情報と多様体学習を統合する。
2つ目のアプローチは、MBO (Multiscale MBO) 法と呼ばれ、有名な古典的なメリマン・バーンス=オッシャースキームの修正にマルチスケールのラプラシアンを導入している。
論文 参考訳（メタデータ） (2021-09-08T15:25:32Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。
より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。
5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
論文 参考訳（メタデータ） (2020-07-17T15:41:37Z)
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。