論文の概要: An Optimized Toolbox for Advanced Image Processing with Tsetlin Machine Composites

• arxiv url: http://arxiv.org/abs/2406.00704v1
• Date: Sun, 2 Jun 2024 10:52:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-06 03:46:38.724950
• Title: An Optimized Toolbox for Advanced Image Processing with Tsetlin Machine Composites
• Title（参考訳）: Tsetlin マシン複合材料を用いた高度な画像処理のための最適化ツールボックス
• Authors: Ylva Grønningsæter, Halvor S. Smørvik, Ole-Christoffer Granmo,
• Abstract要約: 我々は最近提案されたTMコンポジットアーキテクチャを活用し、様々なTMスペシャリストを紹介した。 カニーエッジ検出、配向勾配のヒストグラム、適応平均しきい値、適応ガウスしきい値、大津しきい値、色温度計、適応色温度計などである。 その結果、TMのCIFAR-10で82.8%の精度で最新の結果を提供するツールボックスが作られた。
• 参考スコア（独自算出の注目度）: 9.669581902728552
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Tsetlin Machine (TM) has achieved competitive results on several image classification benchmarks, including MNIST, K-MNIST, F-MNIST, and CIFAR-2. However, color image classification is arguably still in its infancy for TMs, with CIFAR-10 being a focal point for tracking progress. Over the past few years, TM's CIFAR-10 accuracy has increased from around 61% in 2020 to 75.1% in 2023 with the introduction of Drop Clause. In this paper, we leverage the recently proposed TM Composites architecture and introduce a range of TM Specialists that use various image processing techniques. These include Canny edge detection, Histogram of Oriented Gradients, adaptive mean thresholding, adaptive Gaussian thresholding, Otsu's thresholding, color thermometers, and adaptive color thermometers. In addition, we conduct a rigorous hyperparameter search, where we uncover optimal hyperparameters for several of the TM Specialists. The result is a toolbox that provides new state-of-the-art results on CIFAR-10 for TMs with an accuracy of 82.8%. In conclusion, our toolbox of TM Specialists forms a foundation for new TM applications and a landmark for further research on TM Composites in image analysis.
• Abstract（参考訳）: Tsetlin Machine (TM) は、MNIST、K-MNIST、F-MNIST、CIFAR-2など、いくつかの画像分類ベンチマークで競合する結果を得た。 しかし、色画像分類はTMの初期段階にあり、CIFAR-10は進捗追跡の焦点となっている。 過去数年間、TMのCIFAR-10の精度は2020年の61%から2023年の75.1%に向上した。 本稿では,最近提案されたTMコンポジットアーキテクチャを活用し,様々な画像処理技術を用いた様々なTMスペシャリストを紹介する。 カニーエッジ検出、配向勾配のヒストグラム、適応平均しきい値、適応ガウスしきい値、大津しきい値、色温度計、適応色温度計などである。 さらに、厳密なハイパーパラメータ探索を行い、いくつかのTMスペシャリストに対して最適なハイパーパラメータを明らかにする。 その結果、TMのCIFAR-10で82.8%の精度で最新の結果を提供するツールボックスが作られた。 結論として, TM スペシャリストのツールボックスは, 新しい TM アプリケーションの基礎となり, 画像解析における TM コンポジットのさらなる研究のランドマークとなっている。

関連論文リスト

• A Robust Pipeline for Classification and Detection of Bleeding Frames in Wireless Capsule Endoscopy using Swin Transformer and RT-DETR [1.7499351967216343]
  Swin Transformerは、出血フレームの初期分類と、出血のさらなる検出のためのRT-DETRを組み合わせたソリューションである。 検証セットでは、前処理なしで98.5%の分類精度を91.7%と比較する。 テストセットでは、それぞれ87.0%と89.0%の分類精度とF1スコアを達成する。
  論文  参考訳（メタデータ） (2024-06-12T09:58:42Z)
• wmh_seg: Transformer based U-Net for Robust and Automatic White Matter Hyperintensity Segmentation across 1.5T, 3T and 7T [1.583327010995414]
  ホワイトマター・ハイパーインテンシティ(WMH)は神経変性疾患の最上位のバイオマーカーである。 最近のディープラーニングモデルでは、WMHセグメンテーションが約束されているが、依然として課題に直面している。 我々は、SegFormerのトランスフォーマーベースのエンコーダを活用した、新しいディープラーニングモデルであるwmh_segを紹介する。
  論文  参考訳（メタデータ） (2024-02-20T03:57:16Z)
• TMComposites: Plug-and-Play Collaboration Between Specialized Tsetlin Machines [12.838678214659422]
  本稿では、TMコンポジットと呼ばれる特殊なTM間のプラグ・アンド・プレイ・コラボレーションを紹介する。 このコラボレーションは、学習中に専門化し、推論中にその能力を評価するTMの能力に依存している。 我々は経験的評価に3つのTM特殊化を実装した。
  論文  参考訳（メタデータ） (2023-09-09T14:00:39Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Visual Atoms: Pre-training Vision Transformers with Sinusoidal Waves [18.5408134000081]
  フォーミュラ駆動型教師あり学習は, 変圧器の事前学習に有効な方法であることが示されている。 VisualAtom-21kはViT-Baseの事前トレーニングに使用されており、ImageNet-1kの微調整時にトップ1の精度は83.7%に達した。 静的データセットであるJFT-300Mとは異なり、合成データセットの品質は改善され続けている。
  論文  参考訳（メタデータ） (2023-03-02T09:47:28Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Global Context Vision Transformers [78.5346173956383]
  我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。 本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。 提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-06-20T18:42:44Z)
• Visible-Thermal UAV Tracking: A Large-Scale Benchmark and New Baseline [80.13652104204691]
  本稿では,可視熱UAV追跡(VTUAV)のための高多様性の大規模ベンチマークを構築する。 本稿では, フレームレベルの属性を, チャレンジ固有のトラッカーの可能性を利用するための粗粒度属性アノテーションを提案する。 さらに,様々なレベルでRGB-Tデータを融合するHMFT(Hierarchical Multi-modal Fusion Tracker)という新しいRGB-Tベースラインを設計する。
  論文  参考訳（メタデータ） (2022-04-08T15:22:33Z)
• ZARTS: On Zero-order Optimization for Neural Architecture Search [94.41017048659664]
  微分可能なアーキテクチャサーチ (DARTS) は、NASの高効率性のため、一般的なワンショットパラダイムである。 この作業はゼロオーダーの最適化に変わり、上記の近似を強制せずに探索するための新しいNASスキームであるZARTSを提案する。 特に、12ベンチマークの結果は、DARTSの性能が低下するZARTSの顕著な堅牢性を検証する。
  論文  参考訳（メタデータ） (2021-10-10T09:35:15Z)
• Adaptive Gradient Balancing for UndersampledMRI Reconstruction and Image-to-Image Translation [60.663499381212425]
  本研究では,新しい適応勾配バランス手法を併用したwasserstein生成逆ネットワークを用いて,画質の向上を図る。 MRIでは、他の技術よりも鮮明な画像を生成する高品質の再構築を維持しながら、アーティファクトを最小限に抑えます。
  論文  参考訳（メタデータ） (2021-04-05T13:05:22Z)
• Enhanced Magnetic Resonance Image Synthesis with Contrast-Aware Generative Adversarial Networks [5.3580471186206005]
  各種取得パラメータを基準とした合成MR膝画像を生成するために,GAN(generative adversarial Network)を訓練した。 チューリング試験では、2人の専門家が実際のMR画像と合成画像の40.5%を誤ってラベル付けし、生成された合成画像と実際のMR画像の画質が同等であることを示した。
  論文  参考訳（メタデータ） (2021-02-17T11:39:36Z)

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。