Fugu-MT 論文翻訳(概要): Regularizing CNNs using Confusion Penalty Based Label Smoothing for Histopathology Images

論文の概要: Regularizing CNNs using Confusion Penalty Based Label Smoothing for Histopathology Images

arxiv url: http://arxiv.org/abs/2403.10881v1
Date: Sat, 16 Mar 2024 10:25:49 GMT
ステータス: 処理完了
システム内更新日: 2024-03-19 21:15:47.036022
Title: Regularizing CNNs using Confusion Penalty Based Label Smoothing for Histopathology Images
Title（参考訳）: コンフュージョンペナルティに基づくラベル平滑化による病理組織像の正規化
Authors: Somenath Kuiry, Alaka Das, Mita Nasipuri, Nibaran Das,
Abstract要約: 現代のCNNは過信され、現実世界のシナリオでのデプロイが困難になる。本稿では,各クラスにおけるモデル混乱を他のクラスよりも重要視する,混乱ペナルティに基づく新たなLS手法を提案する。我々は,この手法を用いて,広く知られているCNNアーキテクチャを用いた広範囲な実験を行った。
参考スコア（独自算出の注目度）: 7.659984194016969
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Learning, particularly Convolutional Neural Networks (CNN), has been successful in computer vision tasks and medical image analysis. However, modern CNNs can be overconfident, making them difficult to deploy in real-world scenarios. Researchers propose regularizing techniques, such as Label Smoothing (LS), which introduces soft labels for training data, making the classifier more regularized. LS captures disagreements or lack of confidence in the training phase, making the classifier more regularized. Although LS is quite simple and effective, traditional LS techniques utilize a weighted average between target distribution and a uniform distribution across the classes, which limits the objective of LS as well as the performance. This paper introduces a novel LS technique based on the confusion penalty, which treats model confusion for each class with more importance than others. We have performed extensive experiments with well-known CNN architectures with this technique on publicly available Colorectal Histology datasets and got satisfactory results. Also, we have compared our findings with the State-of-the-art and shown our method's efficacy with Reliability diagrams and t-distributed Stochastic Neighbor Embedding (t-SNE) plots of feature space.
Abstract（参考訳）: ディープラーニング、特に畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンタスクと医療画像解析で成功している。しかし、現代のCNNは過信され、現実世界のシナリオでのデプロイが困難になる。研究者は、トレーニングデータのためのソフトラベルを導入し、分類器をより正規化するラベル平滑化(LS)のような正則化技術を提案する。 LSはトレーニングフェーズにおける不一致や信頼の欠如を捉え、分類器をより規則化されたものにする。 LSは極めて単純かつ効果的であるが、従来のLS手法では、LSの目的だけでなく性能も制限するクラス間での目標分布と一様分布の重み付き平均を利用する。本稿では,各クラスにおけるモデルの混乱を他のクラスよりも重要視する,混乱ペナルティに基づく新たなLS手法を提案する。我々は,広く知られているCNNアーキテクチャを用いて,この手法による大腸組織学データセットの公開実験を行い,良好な結果を得た。また,本手法の信頼性図やt-disdistributed Stochastic Neighbor Embedding (t-SNE) による特徴空間のプロットによる検証を行った。

関連論文リスト

CNN-Transformer Rectified Collaborative Learning for Medical Image Segmentation [60.08541107831459]
本稿では,医用画像セグメンテーションのための強力なCNNベースモデルとトランスフォーマーベースモデルを学習するための,CNN-Transformer修正協調学習フレームワークを提案する。具体的には,学生ソフトラベルの誤り領域を適応的に選択・修正する基礎的真理を取り入れた修正ロジット・ワイド・コラボレーティブ・ラーニング(RLCL)戦略を提案する。また,機能空間におけるCNNベースモデルとTransformerベースモデル間の効果的な知識伝達を実現するために,クラス認識型特徴量協調学習(CFCL)戦略を提案する。
論文参考訳（メタデータ） (2024-08-25T01:27:35Z)
Dilated Convolution with Learnable Spacings [1.8130068086063336]
この論文は、Dilated Convolution with Learnable Spacings (DCLS)法を提示し、評価する。コンピュータビジョン、音声、音声処理の分野における様々な教師あり学習実験を通じて、DCLS法は、標準および高度な畳み込み技術よりも優れていることを証明した。
論文参考訳（メタデータ） (2024-08-10T12:12:39Z)
Enhancing Cognitive Workload Classification Using Integrated LSTM Layers and CNNs for fNIRS Data Analysis [13.74551296919155]
本稿では、ディープラーニングモデルにおける畳み込みニューラルネットワーク(CNN)の有効性に対する長期記憶層の影響について検討する。 LSTMレイヤを統合することで、モデルがfNIRSデータ内の時間的依存関係をキャプチャし、認知状態をより包括的に理解することが可能になる。
論文参考訳（メタデータ） (2024-07-22T11:28:34Z)
Unknown Health States Recognition With Collective Decision Based Deep Learning Networks In Predictive Maintenance Applications [1.0515439489916734]
本稿では,異なるCNNを対象とした集団決定フレームワークを提案する。 One-vs-Restネットワーク(OVRN)に基づいて、既知の状態と未知の状態を同時に分類する。 OVRNは、状態固有の識別機能を学び、異なるCNNに組み込まれた新しい異常サンプルを拒否する能力を高める。
論文参考訳（メタデータ） (2023-10-25T08:24:48Z)
Class Attention to Regions of Lesion for Imbalanced Medical Image Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。 CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文参考訳（メタデータ） (2023-07-19T15:19:02Z)
Compare Where It Matters: Using Layer-Wise Regularization To Improve Federated Learning on Heterogeneous Data [0.0]
フェデレートラーニング(Federated Learning)は、分散データ上でニューラルネットワークをトレーニングする方法として広く採用されている。主な制限は、データが均一に分散されたときに発生するパフォーマンス劣化である。本稿では,様々なディープラーニングタスクにおいて,従来の最先端手法よりも優れたパフォーマンスを実現するフレームワークであるFedCKAを紹介する。
論文参考訳（メタデータ） (2021-12-01T10:46:13Z)
Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文参考訳（メタデータ） (2021-08-29T05:45:03Z)
Self-Supervised Learning of Graph Neural Networks: A Unified Review [50.71341657322391]
ラベルなしサンプルを多用する新たなパラダイムとして,自己教師型学習が登場している。 SSLを用いたグラフニューラルネットワーク(GNNs)のトレーニング方法の統一レビューを提供します。 gnnに対するssl手法の処理は,様々な手法の類似性と相違に光を当て,新しい手法やアルゴリズムの開発段階を定めている。
論文参考訳（メタデータ） (2021-02-22T03:43:45Z)
A journey in ESN and LSTM visualisations on a language task [77.34726150561087]
我々は,CSL(Cross-Situationnal Learning)タスクでESNとLSTMを訓練した。その結果, 性能比較, 内部力学解析, 潜伏空間の可視化の3種類が得られた。
論文参考訳（メタデータ） (2020-12-03T08:32:01Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)
FocusLiteNN: High Efficiency Focus Quality Assessment for Digital Pathology [42.531674974834544]
本稿では,ハードウェアの過剰な要求を伴わずに,知識駆動方式と同様の高速な計算を行うCNNベースのモデルを提案する。 FocusPathを使って、9つの異なる色の組織スライドを含むトレーニングデータセットを作成します。 CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
論文参考訳（メタデータ） (2020-07-11T20:52:01Z)

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。