論文の概要: InceptionCapsule: Inception-Resnet and CapsuleNet with self-attention
for medical image Classification
- arxiv url: http://arxiv.org/abs/2402.02274v1
- Date: Sat, 3 Feb 2024 22:04:22 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-06 21:04:02.318279
- Title: InceptionCapsule: Inception-Resnet and CapsuleNet with self-attention
for medical image Classification
- Title（参考訳）: Inception Capsule: Inception-ResnetとCapsuleNetによる画像分類
- Authors: Elham Sadeghnezhad, Sajjad Salem
- Abstract要約: InceptionCapsuleアプローチは、ImageNetから初期重みを取る重みのランダムな選択を避ける。
抽出ベクターは、注目技術を備えた学習用カプセルネットワークに与えられる。
このモデルは5クラスで97.62の精度、Kvasirで8クラスで94.30の精度を達成した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Initial weighting is significant in deep neural networks because the random
selection of weights produces different outputs and increases the probability
of overfitting and underfitting. On the other hand, vector-based approaches to
extract vector features need rich vectors for more accurate classification. The
InceptionCapsule approach is presented to alleviate these two problems. This
approach uses transfer learning and the Inception-ResNet model to avoid random
selection of weights, which takes initial weights from ImageNet. It also uses
the output of Inception middle layers to generate rich vectors. Extracted
vectors are given to a capsule network for learning, which is equipped with an
attention technique. Kvasir data and BUSI with the GT dataset were used to
evaluate this approach. This model was able to achieve 97.62 accuracies in
5-class classification and also achieved 94.30 accuracies in 8-class
classification on Kvasir. In the BUSI with GT dataset, the proposed approach
achieved accuracy=98.88, Precision=95.34, and F1-score=93.74, which are
acceptable results compared to other approaches in the literature.
- Abstract（参考訳）: 初期重み付けは、重みのランダムな選択が異なる出力を生成し、過度な適合と不適合の確率を高めるため、ディープニューラルネットワークにおいて重要である。
一方、ベクトル特徴を抽出するベクトルベースのアプローチはより正確な分類のためにリッチベクトルを必要とする。
InceptionCapsuleアプローチは、これらの2つの問題を緩和する。
このアプローチでは、Transfer LearningとInception-ResNetモデルを使用して、ImageNetから初期重みを取る重みのランダムな選択を回避する。
また、インセプション中間層の出力を使ってリッチベクタを生成する。
抽出されたベクトルは、注意技術を備えた学習用カプセルネットワークに与えられる。
kvasirデータとgtデータセットのbusiを用いてこのアプローチを評価した。
このモデルは5クラス分類で97.62の精度を達成することができ、8クラス分類で94.30の精度を達成することができた。
GTデータセットを用いたBUSIでは、提案手法は精度=98.88、精度=95.34、F1スコア=93.74を達成した。
関連論文リスト
- An Effective Weight Initialization Method for Deep Learning: Application to Satellite Image Classification [0.995313069446686]
重み初期化技術は伝統的に、広範囲なデータセットでトレーニングする前にネットワークの重みを初期化する。
本研究では,衛星画像分類の文脈において,新しい重み初期化手法を提案する。
提案手法は,畳み込みニューラルネットワーク(CNN)モデルの前方・後方通過において,数学的に詳細なものである。
論文 参考訳（メタデータ） (2024-06-01T07:56:02Z) - Leveraging Angular Information Between Feature and Classifier for
Long-tailed Learning: A Prediction Reformulation Approach [90.77858044524544]
分類器の重みを再バランスすることなく、包含角度で認識確率を再構成する。
予測形式再構成の性能向上に着想を得て, この角度予測の異なる特性について検討する。
CIFAR10/100-LT と ImageNet-LT を事前学習することなく、ピアメソッド間で最高の性能を得ることができる。
論文 参考訳（メタデータ） (2022-12-03T07:52:48Z) - Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image
Classification [24.91896527342631]
グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。
点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。
本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。
HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
論文 参考訳（メタデータ） (2022-11-14T12:56:56Z) - On the optimization and pruning for Bayesian deep learning [1.0152838128195467]
重み空間上でニューラルネットワークを学習するための適応型変分ベイズアルゴリズムを提案する。
EM-MCMCアルゴリズムにより,ワンショットで最適化とモデルプルーニングを行うことができる。
我々の密度モデルは最先端の性能に到達でき、スパースモデルは以前提案したプルーニング方式と比較して非常によく機能する。
論文 参考訳（メタデータ） (2022-10-24T05:18:08Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - Towards Disentangling Information Paths with Coded ResNeXt [11.884259630414515]
ネットワーク全体の機能の透明性を高めるために,我々は新しいアプローチを採っている。
分類のためのニューラルネットワークアーキテクチャを提案し、各クラスに関連する情報が特定の経路を流れる。
論文 参考訳（メタデータ） (2022-02-10T21:45:49Z) - TSG: Target-Selective Gradient Backprop for Probing CNN Visual Saliency [72.9106103283475]
我々は、畳み込みニューラルネットワークを解釈するために視覚的サリエンシ、すなわち視覚的説明について研究する。
これらの観測に触発されて、我々はTSG(Target-Selective Gradient)バックプロップと呼ばれる新しいビジュアル・サリエンシ・フレームワークを提案する。
提案したTSGはTSG-ConvとTSG-FCの2つのコンポーネントから構成され、それぞれ畳み込み層と完全連結層の勾配を補正する。
論文 参考訳（メタデータ） (2021-10-11T12:00:20Z) - Structured Weight Priors for Convolutional Neural Networks [74.1348917619643]
本稿では,重み前への構造付加の利点について考察する。
まず、畳み込みNNの第1層フィルタについて検討し、ランダムなガボルフィルタに基づいて事前設計を行う。
実験結果から、これらの構造的な重み付けは、画像データに対してより意味のある機能的先行をもたらすことが示唆された。
論文 参考訳（メタデータ） (2020-07-12T13:05:51Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z) - Revisiting Initialization of Neural Networks [72.24615341588846]
ヘッセン行列のノルムを近似し, 制御することにより, 層間における重みのグローバルな曲率を厳密に推定する。
Word2Vec と MNIST/CIFAR 画像分類タスクの実験により,Hessian ノルムの追跡が診断ツールとして有用であることが確認された。
論文 参考訳（メタデータ） (2020-04-20T18:12:56Z)
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。