Fugu-MT 論文翻訳(概要): An Ordinal Regression Framework for a Deep Learning Based Severity Assessment for Chest Radiographs

論文の概要: An Ordinal Regression Framework for a Deep Learning Based Severity Assessment for Chest Radiographs

arxiv url: http://arxiv.org/abs/2402.05685v1
Date: Thu, 8 Feb 2024 14:00:45 GMT
ステータス: 処理完了
システム内更新日: 2024-02-09 14:54:50.145609
Title: An Ordinal Regression Framework for a Deep Learning Based Severity Assessment for Chest Radiographs
Title（参考訳）: 深層学習に基づく胸部x線画像の重症度評価のための順序回帰フレームワーク
Authors: Patrick Wienholt, Alexander Hermans, Firas Khader, Behrus Puladi, Bastian Leibe, Christiane Kuhl, Sven Nebelung, Daniel Truhn
Abstract要約: 本稿では,順序回帰問題をモデル,対象関数,分類関数の3つの部分に分割する枠組みを提案する。符号化の選択が性能に強く影響し,コーエンのカッパの選択重み付けに依存することを示す。
参考スコア（独自算出の注目度）: 50.285682227571996
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This study investigates the application of ordinal regression methods for categorizing disease severity in chest radiographs. We propose a framework that divides the ordinal regression problem into three parts: a model, a target function, and a classification function. Different encoding methods, including one-hot, Gaussian, progress-bar, and our soft-progress-bar, are applied using ResNet50 and ViT-B-16 deep learning models. We show that the choice of encoding has a strong impact on performance and that the best encoding depends on the chosen weighting of Cohen's kappa and also on the model architecture used. We make our code publicly available on GitHub.
Abstract（参考訳）: 本研究は,胸部X線写真における疾患重症度分類のための順序回帰法の応用について検討した。本稿では,順序回帰問題をモデル,対象関数,分類関数の3つの部分に分割する枠組みを提案する。 resnet50とvit-b-16のディープラーニングモデルを用いて,one-hot,gaussian,progress-bar,soft-progress-barなどの異なる符号化手法を適用した。符号化の選択は性能に強く影響し,最も優れた符号化はコーエンのカッパの重み付けや使用するモデルアーキテクチャにも依存することを示した。コードをGitHubで公開しています。

関連論文リスト

GHOST: Gaussian Hypothesis Open-Set Technique [10.426399605773083]
大規模認識手法の評価は通常、全体的な性能に重点を置いている。オープンセット認識(OSR)における公平性に対処し,クラスごとのパフォーマンスが劇的に変化することを示す。 Zスコア正規化をロジットに適用し、モデルの期待から逸脱する特徴量の影響を軽減する。
論文参考訳（メタデータ） (2025-02-05T16:56:14Z)
EnsIR: An Ensemble Algorithm for Image Restoration via Gaussian Mixture Models [70.60381055741391]
画像復元の課題は、説明された問題に関連し、単一のモデル予測と地道のずれをもたらす。アンサンブル学習は、複数のベースモデルの予測を組み合わせることで、これらの偏差に対処することを目的としている。我々は予測候補のアンサンブル重みを推定するために予測(EM)に基づくアルゴリズムを用いる。我々のアルゴリズムは、モデルに依存しない訓練不要であり、様々なトレーニング済み画像復元モデルのシームレスな統合と強化を可能にする。
論文参考訳（メタデータ） (2024-10-30T12:16:35Z)
Hardware Resilience Properties of Text-Guided Image Classifiers [15.787551066303804]
本稿では,過渡的ハードウェアエラーに直面した配置中の画像分類モデルの信頼性を高める新しい手法を提案する。当社のアプローチは,ハードウェアの信頼性の平均的な向上を目覚ましい5.5倍に達成しています。
論文参考訳（メタデータ） (2023-11-23T15:38:13Z)
Can we achieve robustness from data alone? [0.7366405857677227]
敵の訓練とその変種は、ニューラルネットワークを用いた敵の堅牢な分類を実現するための一般的な方法となっている。そこで我々は,ロバストな分類のためのメタラーニング手法を考案し,その展開前のデータセットを原則的に最適化する。 MNIST と CIFAR-10 の実験により、我々が生成するデータセットはPGD 攻撃に対して非常に高い堅牢性を持つことが示された。
論文参考訳（メタデータ） (2022-07-24T12:14:48Z)
Content Popularity Prediction Based on Quantized Federated Bayesian Learning in Fog Radio Access Networks [76.16527095195893]
キャッシュ可能なフォグラジオアクセスネットワーク(F-RAN)におけるコンテンツ人気予測問題について検討する。そこで本研究では,コンテンツ要求パターンをモデル化するためのガウス過程に基づく回帰器を提案する。我々はベイズ学習を利用してモデルパラメータを訓練する。
論文参考訳（メタデータ） (2022-06-23T03:05:12Z)
Scaling Structured Inference with Randomization [64.18063627155128]
本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。我々の手法は古典的DPベースの推論に広く適用できる。また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
論文参考訳（メタデータ） (2021-12-07T11:26:41Z)
Few Shot Activity Recognition Using Variational Inference [9.371378627575883]
本稿では,少数のショットアクティビティ認識のための新しい変分推論ベースアーキテクチャフレームワーク(HF-AR)を提案する。筆者らの枠組みは, 容積保存型家庭用フローを活用して, 新規クラスの柔軟な後部分布を学習する。これにより、人間の行動認識のための最先端のショットアプローチと比較して、パフォーマンスが向上する。
論文参考訳（メタデータ） (2021-08-20T03:57:58Z)
Quantile Encoder: Tackling High Cardinality Categorical Features in Regression Problems [2.3322477552758234]
本研究では,高濃度カテゴリー的特徴の量子化への取り組みについて,詳細な分析を行う。提案手法は,従来の統計平均目標エンコーダを含むエンコーダよりも優れている。また、異なる量子量を持つ一連の機能を作成することにより、エンコードされた値を拡張する方法についても述べる。
論文参考訳（メタデータ） (2021-05-27T11:56:13Z)
Bottom-Up Human Pose Estimation Via Disentangled Keypoint Regression [81.05772887221333]
従来のキーポイント検出およびグループ化フレームワークに劣る密度の高いキーポイント回帰フレームワークについて検討する。我々は,dekr(disentangled keypoint regression)という,単純かつ効果的な手法を提案する。提案手法はキーポイント検出法やグループ化法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-04-06T05:54:46Z)
Exploiting Adam-like Optimization Algorithms to Improve the Performance of Convolutional Neural Networks [82.61182037130405]
勾配降下(SGD)は深いネットワークを訓練するための主要なアプローチです。本研究では,現在と過去の勾配の違いに基づいて,Adamに基づく変分を比較する。 resnet50を勾配降下訓練したネットワークのアンサンブルと融合実験を行った。
論文参考訳（メタデータ） (2021-03-26T18:55:08Z)

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。