論文の概要: Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark

• arxiv url: http://arxiv.org/abs/2404.06859v1
• Date: Wed, 10 Apr 2024 09:35:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-11 15:00:17.532060
• Title: Multi-Label Continual Learning for the Medical Domain: A Novel Benchmark
• Title（参考訳）: 医療領域のためのマルチラベル連続学習:新しいベンチマーク
• Authors: Marina Ceccon, Davide Dalle Pezze, Alessandro Fabris, Gian Antonio Susto,
• Abstract要約: ニューケース&ニュークラス」と呼ばれるシナリオにおける医用画像の分類問題について検討する。 従来のシナリオとは異なり、医療画像のような領域におけるCLの現実的な性質を反映している。 この複雑なシナリオによって引き起こされる特異な課題に対処するために、Pseudo-Label Replayと呼ばれる新しいアプローチを導入する。
• 参考スコア（独自算出の注目度）: 47.52603262576663
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multi-label image classification in dynamic environments is a problem that poses significant challenges. Previous studies have primarily focused on scenarios such as Domain Incremental Learning and Class Incremental Learning, which do not fully capture the complexity of real-world applications. In this paper, we study the problem of classification of medical imaging in the scenario termed New Instances \& New Classes, which combines the challenges of both new class arrivals and domain shifts in a single framework. Unlike traditional scenarios, it reflects the realistic nature of CL in domains such as medical imaging, where updates may introduce both new classes and changes in domain characteristics. To address the unique challenges posed by this complex scenario, we introduce a novel approach called Pseudo-Label Replay. This method aims to mitigate forgetting while adapting to new classes and domain shifts by combining the advantages of the Replay and Pseudo-Label methods and solving their limitations in the proposed scenario. % part3 We evaluate our proposed approach on a challenging benchmark consisting of two datasets, seven tasks, and nineteen classes, modeling a realistic Continual Learning scenario. Our experimental findings demonstrate the effectiveness of Pseudo-Label Replay in addressing the challenges posed by the complex scenario proposed. Our method surpasses existing approaches, exhibiting superior performance while showing minimal forgetting.
• Abstract（参考訳）: 動的環境におけるマルチラベル画像分類は重要な課題である。 これまでの研究は主にドメインインクリメンタルラーニングやクラスインクリメンタルラーニングといったシナリオに重点を置いてきた。 本稿では,新しいクラス到着と単一フレームワークにおけるドメインシフトの両面での課題を組み合わせた,ニューインスタンス・アンド・ニュークラス(New Instances \& New Classes)と呼ばれるシナリオにおける医用画像の分類問題について検討する。 従来のシナリオとは異なり、医療画像のような領域におけるCLの現実的な性質を反映している。 この複雑なシナリオによって引き起こされる特異な課題に対処するために、Pseudo-Label Replayと呼ばれる新しいアプローチを導入する。 本手法は,Replay法とPseudo-Label法の利点を組み合わせることで,新しいクラスやドメインシフトに適応しながら,忘れを軽減し,提案シナリオにおける制限を解決することを目的とする。 %のパート3 提案手法を、2つのデータセット、7つのタスク、19のクラスからなる挑戦的なベンチマークで評価し、現実的な連続学習シナリオをモデル化する。 提案した複雑なシナリオがもたらす課題に対処する上での擬似ラベルリプレイの有効性を実験的に検証した。 提案手法は既存の手法を超越し,最小限の忘れ方を示しながら優れた性能を示す。

関連論文リスト

• Class-incremental Learning for Time Series: Benchmark and Evaluation [24.39008346076859]
  本稿では,時系列クラスインクリメンタルラーニング(TSCIL)問題の概要を述べる。 標準化された設定に基づいて,新しいアルゴリズムの迅速な開発を支援する統一的な実験フレームワークを開発する。 このフレームワークを用いて、標準およびプライバシに敏感なシナリオにおいて、様々な汎用および時系列固有のCIL手法を包括的に評価する。
  論文  参考訳（メタデータ） (2024-02-19T10:43:13Z)
• Few-shot Class-incremental Learning for Cross-domain Disease Classification [20.194071205063153]
  ドメイン間数ショットの漸進的学習問題について検討する。 本稿では,クロスドメイン拡張制約とクロスドメインデータ拡張手法を提案する。 MedMNISTの実験により、この手法の分類性能は、他の同様の漸進的学習法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-12T09:43:39Z)
• Fast Hierarchical Learning for Few-Shot Object Detection [57.024072600597464]
  転送学習アプローチは、最近、数ショット検出タスクで有望な結果を得た。 これらのアプローチは、ベース検出器の微調整による破滅的な忘れ込みの問題に悩まされる。 この作業における上記の問題に対処する。
  論文  参考訳（メタデータ） (2022-10-10T20:31:19Z)
• A Multi-label Continual Learning Framework to Scale Deep Learning Approaches for Packaging Equipment Monitoring [57.5099555438223]
  連続シナリオにおけるマルチラベル分類を初めて研究した。 タスク数に関して対数的複雑性を持つ効率的なアプローチを提案する。 我々は,包装業界における実世界のマルチラベル予測問題に対するアプローチを検証した。
  論文  参考訳（メタデータ） (2022-08-08T15:58:39Z)
• Few-Shot Class-Incremental Learning by Sampling Multi-Phase Tasks [59.12108527904171]
  モデルは新しいクラスを認識し、古いクラスに対する差別性を維持すべきである。 古いクラスを忘れずに新しいクラスを認識するタスクは、FSCIL ( few-shot class-incremental Learning) と呼ばれる。 我々は,LearnIng Multi-phase Incremental Tasks (LIMIT) によるメタラーニングに基づくFSCILの新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-03-31T13:46:41Z)
• vCLIMB: A Novel Video Class Incremental Learning Benchmark [53.90485760679411]
  本稿では,ビデオ連続学習ベンチマークvCLIMBを紹介する。 vCLIMBは、ビデオ連続学習における深層モデルの破滅的な忘れを解析するための標準化されたテストベッドである。 本稿では,メモリベース連続学習法に適用可能な時間的整合性正規化を提案する。
  論文  参考訳（メタデータ） (2022-01-23T22:14:17Z)
• Novel Class Discovery in Semantic Segmentation [104.30729847367104]
  セマンティックにおける新しいクラス発見(NCDSS)について紹介する。 ラベル付き非結合クラスの集合から事前の知識を与えられた新しいクラスを含むラベル付きイメージのセグメンテーションを目的としている。 NCDSSでは、オブジェクトと背景を区別し、画像内の複数のクラスの存在を処理する必要があります。 本稿では,エントロピーに基づく不確実性モデリングと自己学習(EUMS)フレームワークを提案し,ノイズの多い擬似ラベルを克服する。
  論文  参考訳（メタデータ） (2021-12-03T13:31:59Z)

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。