Fugu-MT 論文翻訳(概要): Knee or ROC

論文の概要: Knee or ROC

arxiv url: http://arxiv.org/abs/2401.07390v1
Date: Sun, 14 Jan 2024 23:25:44 GMT
ステータス: 処理完了
システム内更新日: 2024-01-17 18:33:57.962111
Title: Knee or ROC
Title（参考訳）: 膝またはROC
Authors: Veronica Wendt, Byunggu Yu, Caleb Kelly, and Junwhan Kim
Abstract要約: 自己注意変換器は、より小さなデータセットによる画像分類の精度を実証している。そこで我々は, 膝法を用いて, アドホックベースでしきい値を決定する計算精度について検討した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Self-attention transformers have demonstrated accuracy for image classification with smaller data sets. However, a limitation is that tests to-date are based upon single class image detection with known representation of image populations. For instances where the input image classes may be greater than one and test sets that lack full information on representation of image populations, accuracy calculations must adapt. The Receiver Operating Characteristic (ROC) accuracy thresh-old can address the instances of multi-class input images. However, this approach is unsuitable in instances where image population representation is unknown. We consider calculating accuracy using the knee method to determine threshold values on an ad-hoc basis. Results of ROC curve and knee thresholds for a multi-class data set, created from CIFAR-10 images, are discussed for multi-class image detection.
Abstract（参考訳）: セルフアテンショントランスフォーマは、より小さなデータセットによる画像分類の精度を示している。しかし、現在までのテストは、画像人口の既知の表現を伴う単一クラス画像検出に基づいている。入力画像クラスが1より大きい場合と、画像人口の表現に関する完全な情報を持たないテストセットの場合、精度の計算が適応しなければならない。受信側動作特性(ROC)の精度は、マルチクラスの入力画像のインスタンスに対処できる。しかし、このアプローチは、画像の人口表現が不明な場合では不適当である。そこで我々は, 膝法を用いて, アドホックベースでしきい値を決定する計算精度について検討した。マルチクラス画像検出のためにcifar-10画像から作成した多クラスデータセットにおけるroc曲線と膝閾値について検討した。

関連論文リスト

CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning [8.975676404678374]
CROCODILEフレームワークを導入し、因果関係のツールがモデルの堅牢性からドメインシフトを育む方法を示します。我々はCXRの多ラベル肺疾患分類に750万枚以上の画像を用いて本手法を適用した。
論文参考訳（メタデータ） (2024-08-09T09:08:06Z)
Annotation Cost-Efficient Active Learning for Deep Metric Learning Driven Remote Sensing Image Retrieval [3.2109665109975696]
ANNEALは、類似した、異種のイメージペアで構成された、小さくて情報的なトレーニングセットを作成することを目的としている。不確実性と多様性の基準を組み合わせることにより、画像対の情報性を評価する。このアノテート方式は、ランド・ユース・ランド・カバー・クラスラベルによるアノテート画像と比較して、アノテーションコストを著しく削減する。
論文参考訳（メタデータ） (2024-06-14T15:08:04Z)
RIGID: A Training-free and Model-Agnostic Framework for Robust AI-Generated Image Detection [60.960988614701414]
RIGIDは、堅牢なAI生成画像検出のためのトレーニング不要でモデルに依存しない方法である。 RIGIDは、既存のトレーニングベースおよびトレーニング不要な検出器を著しく上回っている。
論文参考訳（メタデータ） (2024-05-30T14:49:54Z)
Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文参考訳（メタデータ） (2023-04-18T15:39:58Z)
Discriminative Class Tokens for Text-to-Image Diffusion Models [107.98436819341592]
自由形式のテキストの表現可能性を利用した非侵襲的な微調整手法を提案する。本手法は,従来の微調整法と比較して高速で,クラス内の画像の収集を必要としない。 i)標準拡散モデルよりも正確で高品質な生成画像,(ii)低リソース環境でのトレーニングデータの拡張,および(iii)誘導分類器の訓練に使用されるデータ情報を明らかにする。
論文参考訳（メタデータ） (2023-03-30T05:25:20Z)
Traditional Classification Neural Networks are Good Generators: They are Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文参考訳（メタデータ） (2022-11-27T11:25:35Z)
Virus-MNIST: Machine Learning Baseline Calculations for Image Classification [0.0]
Virus-MNISTデータセットは、ユビキタスなMNISTの手書き桁に類似したサムネイル画像の集合である。ウイルスモデルトレーニングの進捗をベンチマークする役割を担っている。
論文参考訳（メタデータ） (2021-11-03T17:44:23Z)
A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文参考訳（メタデータ） (2021-04-29T17:49:48Z)
Radon cumulative distribution transform subspace modeling for image classification [18.709734704950804]
画像変形モデルの幅広いクラスに適用可能な新しい教師付き画像分類法を提案する。この方法は、画像データに先述のRandon Cumulative Distribution Transform(R-CDT)を用いる。テスト精度の向上に加えて,計算効率の向上も示す。
論文参考訳（メタデータ） (2020-04-07T19:47:26Z)
Overinterpretation reveals image classification model pathologies [15.950659318117694]
人気のあるベンチマーク上の畳み込みニューラルネットワーク(CNN)は、意味論的に健全な特徴がなくても高い精度を示すことができるような、厄介な病理を示す。我々は、CIFAR-10とImageNetでトレーニングされたニューラルネットワークが過剰解釈に悩まされていることを実証した。これらのパターンは、現実のデプロイメントにおける潜在的なモデルの脆弱性を補うものだが、実際には、ベンチマークの統計的パターンとして、高いテスト精度を達成するのに十分である。
論文参考訳（メタデータ） (2020-03-19T17:12:23Z)
I Am Going MAD: Maximum Discrepancy Competition for Comparing Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文参考訳（メタデータ） (2020-02-25T03:32:29Z)

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。