Fugu-MT 論文翻訳(概要): Automated Polyp Segmentation in Colonoscopy Images

論文の概要: Automated Polyp Segmentation in Colonoscopy Images

arxiv url: http://arxiv.org/abs/2404.04461v1
Date: Sat, 6 Apr 2024 01:07:38 GMT
ステータス: 処理完了
システム内更新日: 2024-04-09 21:08:32.796855
Title: Automated Polyp Segmentation in Colonoscopy Images
Title（参考訳）: 大腸内視鏡画像におけるポリープ自動分割
Authors: Swagat Ranjit, Jian Zhang, Bijaya B. Karki,
Abstract要約: 本研究は,大腸の内視鏡像からポリープを分離するために,拡張畳み込みモジュールとクリスクロスアテンションに基づくネットワークを用いて検討する。私たちのアーキテクチャでは、既存のモデルと比較して、すべてのメトリクスの平均3.75%の改善が示されています。
参考スコア（独自算出の注目度）: 3.9462477429057823
License: http://creativecommons.org/licenses/by/4.0/
Abstract: It is important to find the polyps in a human system that helps to prevent cancer during medical diagnosis. This research discusses using a dilated convolution module along with a criss cross attention-based network to segment polyps from the endoscopic images of the colon. To gather the context information of all pixels in an image more efficiently, criss-cross attention module has played a vital role. In order to extract maximum information from dataset, data augmentation techniques are employed in the dataset. Rotations, flips, scaling, and contrast along with varying learning rates were implemented to make a better model. Global average pooling was applied over ResNet50 that helped to store the important details of encoder. In our experiment, the proposed architecture's performance was compared with existing models like U-Net, DeepLabV3, PraNet. This architecture outperformed other models on the subset of dataset which has irregular polyp shapes. The combination of dilated convolution module, RCCA, and global average pooling was found to be effective for irregular shapes. Our architecture demonstrates an enhancement, with an average improvement of 3.75% across all metrics when compared to existing models.
Abstract（参考訳）: 臨床診断において癌予防に役立つ人体のポリープを見つけることが重要である。本研究は,大腸の内視鏡像からポリープを分離するために,拡張畳み込みモジュールとクリスクロスアテンションに基づくネットワークを用いて検討する。画像中の全画素のコンテキスト情報をより効率的に収集するために、クリッスクロスアテンションモジュールが重要な役割を果たす。データセットから最大情報を抽出するために、データセットにデータ拡張技術を用いる。ローテーション、フリップ、スケーリング、コントラストに加えて、より優れたモデルを作るために、さまざまな学習率を実装した。グローバル平均プーリングは、エンコーダの重要な詳細を保存するのに役立ったResNet50に適用される。実験では,提案アーキテクチャの性能をU-Net, DeepLabV3, PraNetなどの既存モデルと比較した。このアーキテクチャは、不規則なポリプ形状を持つデータセットのサブセット上で、他のモデルよりも優れていた。拡張畳み込みモジュール,RCCA,グローバル平均プールの組み合わせは不規則な形状に有効であることがわかった。私たちのアーキテクチャでは、既存のモデルと比較して、すべてのメトリクスの平均3.75%の改善が示されています。

関連論文リスト

A survey on learning models of spiking neural membrane systems and spiking neural networks [0.0]
スパイキングニューラルネットワーク(英: Spiking Neural Network、SNN)は、特定の脳のような特性を持つ、生物学的にインスパイアされたニューラルネットワークのモデルである。 SNNでは、スパイクトレインとスパイクトレインを通してニューロン間の通信が行われる。 SNPSは形式的オートマトン原理に基づくSNNの分岐と見なすことができる。
論文参考訳（メタデータ） (2024-03-27T14:26:41Z)
On the Computational Complexity and Formal Hierarchy of Second Order Recurrent Neural Networks [59.85314067235965]
2次次リカレントネットワーク(RNN)の理論基盤を拡大する(2次RNN) 有界時間でチューリング完備な RNN のクラスが存在することを証明している。また、記憶のない2ドルのRNNは、バニラRNNのような現代のモデルよりも優れており、正規文法の認識において繰り返し単位をゲートしていることを示す。
論文参考訳（メタデータ） (2023-09-26T06:06:47Z)
Linear Leaky-Integrate-and-Fire Neuron Model Based Spiking Neural Networks and Its Mapping Relationship to Deep Neural Networks [7.840247953745616]
スパイキングニューラルネットワーク(SNN)は、生物学的可視性や教師なし学習能力など、脳にインスパイアされた機械学習アルゴリズムである。本稿では,リニアリーキー・インテグレート・アンド・ファイア・モデル(LIF/SNN)の生物学的パラメータとReLU-AN/Deep Neural Networks(DNN)のパラメータとの正確な数学的マッピングを確立する。
論文参考訳（メタデータ） (2022-05-31T17:02:26Z)
Neural Capacitance: A New Perspective of Neural Network Selection via Edge Dynamics [85.31710759801705]
現在の実践は、性能予測のためのモデルトレーニングにおいて高価な計算コストを必要とする。本稿では,学習中のシナプス接続(エッジ)上の制御ダイナミクスを解析し,ニューラルネットワーク選択のための新しいフレームワークを提案する。我々のフレームワークは、ニューラルネットワークトレーニング中のバックプロパゲーションがシナプス接続の動的進化と等価であるという事実に基づいて構築されている。
論文参考訳（メタデータ） (2022-01-11T20:53:15Z)
Robustness of Bayesian Neural Networks to White-Box Adversarial Attacks [55.531896312724555]
ベイジアンネットワーク(BNN)は、ランダム性を組み込むことで、敵の攻撃を扱うのに頑丈で適している。我々はベイズ的推論(つまり変分ベイズ)をDenseNetアーキテクチャに融合させることで、BNN-DenseNetと呼ばれるBNNモデルを作成する。逆向きに訓練されたBNNは、ほとんどの実験で非ベイズ的で逆向きに訓練されたBNNよりも優れています。
論文参考訳（メタデータ） (2021-11-16T16:14:44Z)
Spiking neural networks trained via proxy [0.696125353550498]
本稿では,従来のニューラルネットワーク(ANN)を代用として,スパイクニューラルネットワーク(SNN)を訓練するための新しい学習アルゴリズムを提案する。 SNNとANNの2つのネットワークをそれぞれ、同じネットワークアーキテクチャと共有シナプス重みを持つIF(Integration-and-fire)とReLU(ReLU)の2つに分けた。 IFニューロンにReLUの近似としてレートコーディングを仮定することにより、SNNの最終出力をSNNのものと置き換えることによって、共有重みを更新するためにプロキシANNにおけるSNNのエラーをバックプロパタイトする。
論文参考訳（メタデータ） (2021-09-27T17:29:51Z)
Convolutional Neural Network(CNN/ConvNet) in Stock Price Movement Prediction [0.0]
本稿では,市場において,畳み込みニューラルネットワーク(CNN/ConvNet)と呼ばれる,特定のタイプのニューラルネットワークの利用を試みた。私は、過去の株価データに基づいて畳み込みニューラルネットワークを構築し、訓練し、その後、株価の動きを予測しようとしました。
論文参考訳（メタデータ） (2021-06-03T15:14:46Z)
Spiking Neural Networks -- Part I: Detecting Spatial Patterns [38.518936229794214]
Spiking Neural Networks(SNN)は生物学的にインスパイアされた機械学習モデルで、バイナリとスパーススパイキング信号をイベント駆動のオンラインな方法で処理する動的ニューラルモデルに基づいている。 SNNは、学習と推論のためのエネルギー効率の良いコプロセッサとして出現しているニューロモルフィックコンピューティングプラットフォーム上で実装することができる。
論文参考訳（メタデータ） (2020-10-27T11:37:22Z)
Neural Network-based Automatic Factor Construction [58.96870869237197]
本稿ではニューラルネットワークを用いた自動ファクタ構築(NNAFC)を提案する。 NNAFCは、金融分野の知識に基づいて、様々な金融要因を自動構築することができる。 NNAFCによって構築された新しい要因は、常にリターン、シャープ比、多要素量的投資戦略の最大引き出しを改善することができる。
論文参考訳（メタデータ） (2020-08-14T07:44:49Z)
Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
論文参考訳（メタデータ） (2020-07-02T15:38:44Z)
Neural Networks and Value at Risk [59.85784504799224]
リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
論文参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。