論文の概要: Review of AlexNet for Medical Image Classification
- arxiv url: http://arxiv.org/abs/2311.08655v2
- Date: Fri, 22 Dec 2023 07:46:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-25 18:12:20.783358
- Title: Review of AlexNet for Medical Image Classification
- Title(参考訳): 医用画像分類のためのAlexNetのレビュー
- Authors: Wenhao Tang, Junding Sun, Shuihua Wang, Yudong Zhang
- Abstract要約: 我々は、2012年にCNNの開発に大きく貢献したAlexNetに焦点を当てている。
ジャーナル論文やカンファレンス論文を含む40以上の論文をレビューした後、AlexNetの技術的な詳細、利点、応用分野について解説する。
- 参考スコア(独自算出の注目度): 19.130200063239563
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, the rapid development of deep learning has led to a wide
range of applications in the field of medical image classification. The
variants of neural network models with ever-increasing performance share some
commonalities: to try to mitigate overfitting, improve generalization, avoid
gradient vanishing and exploding, etc. AlexNet first utilizes the dropout
technique to mitigate overfitting and the ReLU activation function to avoid
gradient vanishing. Therefore, we focus our discussion on AlexNet, which has
contributed greatly to the development of CNNs in 2012. After reviewing over 40
papers, including journal papers and conference papers, we give a narrative on
the technical details, advantages, and application areas of AlexNet.
- Abstract(参考訳): 近年, 深層学習の急速な発展が, 医用画像の分類分野に幅広い応用をもたらしている。
オーバーフィッティングの緩和、一般化の改善、勾配の消失と爆発の回避など、常にパフォーマンスが向上しているニューラルネットワークモデルの変種には、いくつかの共通点がある。
AlexNetは最初にドロップアウト技術を使ってオーバーフィッティングを緩和し、ReLUアクティベーション機能を使って勾配の消滅を回避する。
そこで我々は2012年のcnn開発に大きく貢献したalexnetに関する議論に焦点を当てた。
ジャーナル論文やカンファレンス論文を含む40以上の論文をレビューした後、AlexNetの技術的な詳細、利点、応用分野について解説する。
関連論文リスト
- PiLocNet: Physics-informed neural network on 3D localization with rotating point spread function [3.029152208453665]
これまでに導入したローカライゼーションニューラルネットワークであるLocNetの新たな拡張を提案する。
改良されたネットワークは、我々がPiLocNetと呼ぶ物理インフォームドニューラルネットワーク(PINN)である。
本論文は3次元ソース位置のエンコードにシングルローブ回転型PSFを用いることに焦点を当てるが,他のPSFや画像問題にも広く適用できると期待している。
論文 参考訳(メタデータ) (2024-10-17T07:49:23Z) - Research on Deep Learning Model of Feature Extraction Based on Convolutional Neural Network [0.32985979395737786]
AlexNetとInceptionV3はより優れた画像認識結果を得るために選択された。
トレーニングされたAlexNetモデルの予測精度、特異性、感度は4.25ポイント向上した。
グラフィックス処理の使用率は、InceptionV3モードと比較して51%減少した。
論文 参考訳(メタデータ) (2024-06-13T06:00:28Z) - Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
適応型ニューラルネットワークの動的対向攻撃問題について検討する。
本稿では,LGM(Leaded Gradient Method)を提案する。
我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
論文 参考訳(メタデータ) (2022-10-15T01:32:08Z) - 3DConvCaps: 3DUnet with Convolutional Capsule Encoder for Medical Image
Segmentation [1.863532786702135]
本稿では,畳み込み層を用いた低レベル特徴(短距離注意)を学習するために,畳み込みカプセル(3DConvCaps)を用いた3Dエンコーダデコーダネットワークを提案する。
iSeg-2017、Hippocampus、Cardiacを含む複数のデータセットに関する実験では、我々の3D3DConvCapsネットワークが、以前のカプセルネットワークや3D-UNetsよりもかなり優れていることを示した。
論文 参考訳(メタデータ) (2022-05-19T03:00:04Z) - Poly-CAM: High resolution class activation map for convolutional neural
networks [88.29660600055715]
畳み込みニューラルネットワークから派生した 解像度マップは 画像の特徴が ネットワーク予測を正当化する 精度で 位置決めに失敗する
これは、これらの写像が CAM (Zhou et al., 2016) のように低分解能であるか、摂動法 (Zeiler and Fergus, 2014) で滑らかであるか、あるいは広範囲に広がるピーク点に対応するためである。
対照的に、我々の研究は、以前のネットワークレイヤからの情報と後のレイヤからの情報を組み合わせて、高解像度のClass Activation Mapを作成することを提案する。
論文 参考訳(メタデータ) (2022-04-28T09:06:19Z) - Dynamics-aware Adversarial Attack of 3D Sparse Convolution Network [75.1236305913734]
ディープニューラルネットワークにおける動的に認識される敵攻撃問題について検討する。
ほとんどの既存の敵攻撃アルゴリズムは基本的な前提の下で設計されており、ネットワークアーキテクチャは攻撃プロセス全体を通して固定されている。
本稿では,LGM(Leaded Gradient Method)を提案する。
論文 参考訳(メタデータ) (2021-12-17T10:53:35Z) - Recalibration of Neural Networks for Point Cloud Analysis [3.7814216736076434]
3Dポイントクラウドのためのディープニューラルネットワーク上での再校正モジュールを導入する。
提案モジュールを3次元ポイントクラウド解析のための3つの最先端ネットワークに組み込むことで,提案モジュールのメリットと汎用性を実証する。
第2の実験では,アルツハイマー病の診断における再校正ブロックの利点について検討した。
論文 参考訳(メタデータ) (2020-11-25T17:14:34Z) - Weakly-supervised Learning For Catheter Segmentation in 3D Frustum
Ultrasound [74.22397862400177]
超音波を用いた新しいカテーテルセグメンテーション法を提案する。
提案手法は,1ボリュームあたり0.25秒の効率で最先端の性能を実現した。
論文 参考訳(メタデータ) (2020-10-19T13:56:22Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z) - Gradient Boosting Neural Networks: GrowNet [9.0491536808974]
「浅層ニューラルネットワークを弱学習者として活用する新しい勾配促進フレームワーク」が提案されている。
古典的な勾配上昇決定木を近似した欲求関数の落とし穴を修復するために、完全な補正ステップが組み込まれている。
提案モデルでは、複数のデータセット上の3つのタスクすべてにおいて、最先端のブースティング手法よりも優れた結果が得られた。
論文 参考訳(メタデータ) (2020-02-19T03:02:52Z) - Molecule Property Prediction and Classification with Graph Hypernetworks [113.38181979662288]
ネットワークをハイパーネットワークに置き換えることで性能が向上することを示す。
ハイパーネットワークの適用において大きな困難は、安定性の欠如である。
最近の研究は、エラー訂正コードのコンテキストにおいて、ハイパーネットワークのトレーニング不安定性に取り組んでいる。
論文 参考訳(メタデータ) (2020-02-01T16:44:34Z)
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。