論文の概要: LightGBM robust optimization algorithm based on topological data analysis

• arxiv url: http://arxiv.org/abs/2406.13300v1
• Date: Wed, 19 Jun 2024 07:40:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-21 22:40:02.402990
• Title: LightGBM robust optimization algorithm based on topological data analysis
• Title（参考訳）: 位相データ解析に基づく光GBMロバスト最適化アルゴリズム
• Authors: Han Yang, Guangjun Qin, Ziyuan Liu, Yongqing Hu, Qinglong Dai,
• Abstract要約: 本研究の目的は、従来の画像処理において、不安定な特徴抽出とデータノイズによる分類精度の低下に関連する課題を克服することである。 実験結果から,TDA-LightGBMはSOCOFingデータセット上での光GBMよりも3%精度が向上することが確認された。 本手法は乳がんデータセットの超音波乳房画像の分類精度を6%,Masked CASIA WebFaceデータセットの15%向上させる。
• 参考スコア（独自算出の注目度）: 3.582229281049108
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: To enhance the robustness of the Light Gradient Boosting Machine (LightGBM) algorithm for image classification, a topological data analysis (TDA)-based robustness optimization algorithm for LightGBM, TDA-LightGBM, is proposed to address the interference of noise on image classification. Initially, the method partitions the feature engineering process into two streams: pixel feature stream and topological feature stream for feature extraction respectively. Subsequently, these pixel and topological features are amalgamated into a comprehensive feature vector, serving as the input for LightGBM in image classification tasks. This fusion of features not only encompasses traditional feature engineering methodologies but also harnesses topological structure information to more accurately encapsulate the intrinsic features of the image. The objective is to surmount challenges related to unstable feature extraction and diminished classification accuracy induced by data noise in conventional image processing. Experimental findings substantiate that TDA-LightGBM achieves a 3% accuracy improvement over LightGBM on the SOCOFing dataset across five classification tasks under noisy conditions. In noise-free scenarios, TDA-LightGBM exhibits a 0.5% accuracy enhancement over LightGBM on two classification tasks, achieving a remarkable accuracy of 99.8%. Furthermore, the method elevates the classification accuracy of the Ultrasound Breast Images for Breast Cancer dataset and the Masked CASIA WebFace dataset by 6% and 15%, respectively, surpassing LightGBM in the presence of noise. These empirical results underscore the efficacy of the TDA-LightGBM approach in fortifying the robustness of LightGBM by integrating topological features, thereby augmenting the performance of image classification tasks amidst data perturbations.
• Abstract（参考訳）: 画像分類のためのLight Gradient Boosting Machine(LightGBM)アルゴリズムのロバスト性を高めるために,LightGBMのためのトポロジカルデータ解析(TDA)に基づくロバストネス最適化アルゴリズムTDA-LightGBMを提案する。 当初、この機能エンジニアリングプロセスは、ピクセルの特徴ストリームと、特徴抽出のためのトポロジ的特徴ストリームの2つのストリームに分割されていた。 その後、これらのピクセルとトポロジ的特徴は包括的特徴ベクトルに集約され、画像分類タスクにおけるLightGBMの入力として機能する。 この特徴の融合は、伝統的な特徴工学の方法論を包含するだけでなく、トポロジカルな構造情報を利用して、画像の固有の特徴をより正確にカプセル化する。 本研究の目的は、従来の画像処理において、不安定な特徴抽出とデータノイズによる分類精度の低下に関連する課題を克服することである。 TDA-LightGBMは, ノイズ条件下での5つの分類タスクにおいて, SOCOFingデータセット上での光GBMよりも3%精度が向上することが実証された。 ノイズのないシナリオでは、TDA-LightGBMは2つの分類タスクにおいてLightGBMよりも0.5%精度が向上し、99.8%の顕著な精度を実現している。 さらに,乳がんデータセットとMasked CASIA WebFaceデータセットの分類精度を,ノイズの有無でLightGBMを上回っ,それぞれ6%,15%向上させた。 これらの実験結果は、トポロジカルな特徴を統合することにより、光GBMのロバスト性を強化し、データ摂動中の画像分類タスクの性能を高めるために、TDA-LightGBMアプローチの有効性を裏付けるものである。

関連論文リスト

• DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image Enhancement [77.0360085530701]
  水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。 従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。 提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
  論文  参考訳（メタデータ） (2023-12-12T06:07:21Z)
• Attentive Multimodal Fusion for Optical and Scene Flow [24.08052492109655]
  既存の方法は通常、RGB画像のみに依存するか、後段のモダリティを融合させる。 本稿では,センサモード間の早期情報融合を可能にするFusionRAFTという新しいディープニューラルネットワーク手法を提案する。 提案手法は,RGB画像に影響を及ぼすノイズや低照度条件の存在下での堅牢性の向上を示す。
  論文  参考訳（メタデータ） (2023-07-28T04:36:07Z)
• Advancing Unsupervised Low-light Image Enhancement: Noise Estimation, Illumination Interpolation, and Self-Regulation [55.07472635587852]
  低光画像強調(LLIE)技術は、画像の詳細の保存とコントラストの強化に顕著な進歩をもたらした。 これらのアプローチは、動的ノイズを効率的に緩和し、様々な低照度シナリオを収容する上で、永続的な課題に直面する。 まず,低照度画像の雑音レベルを迅速かつ高精度に推定する方法を提案する。 次に、照明と入力の一般的な制約を満たすために、Learningable Illumination Interpolator (LII) を考案する。
  論文  参考訳（メタデータ） (2023-05-17T13:56:48Z)
• 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)
• Evaluation of Dirichlet Process Gaussian Mixtures for Segmentation on Noisy Hyperspectral Images [1.4721615285883425]
  本稿では、ディリクレ過程のガウス混合モデルを用いて、ハイパースペクトル画像のセグメント化手法を提案し、評価する。 我々のモデルは、与えられたデータセットのスケールの最適な値とクラスタの数を見つけるまでパラメータを自己制御することができる。 その結果,最適なパラメータを手動で探索することの負担を回避しながら,ハイパースペクトル画像中の物体を見つける方法の可能性が示された。
  論文  参考訳（メタデータ） (2022-03-05T21:44:52Z)
• Unconstrained Face Recognition using ASURF and Cloud-Forest Classifier optimized with VLAD [0.0]
  本稿では, 画像の翻訳, 回転, スケール, 色, 照明, アフィン歪みに制約される多クラス顔画像分類のための計算効率の高いアルゴリズムを提案する。 提案手法は,顔認識システムにおける精度と時間を改善することを目的としている。
  論文  参考訳（メタデータ） (2021-04-02T01:26:26Z)
• Residual-driven Fuzzy C-Means Clustering for Image Segmentation [152.609322951917]
  画像分割のための残留駆動型ファジィC平均(FCM)について詳述する。 この枠組みに基づいて,混合雑音分布の重み付けによる重み付き$ell_2$-norm忠実度項を示す。 その結果、既存のFCM関連アルゴリズムよりも提案アルゴリズムの有効性と効率が優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-15T15:46:09Z)
• Kullback-Leibler Divergence-Based Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet Frames for Image Segmentation [152.609322951917]
  そこで我々は,厳密なウェーブレットフレーム変換と形態的再構成操作を組み込むことで,Kulback-Leibler (KL) 発散に基づくFuzzy C-Means (FCM) アルゴリズムを考案した。 提案アルゴリズムはよく機能し、他の比較アルゴリズムよりもセグメンテーション性能が優れている。
  論文  参考訳（メタデータ） (2020-02-21T05:19:10Z)
• Residual-Sparse Fuzzy $C$-Means Clustering Incorporating Morphological Reconstruction and Wavelet frames [146.63177174491082]
  Fuzzy $C$-Means (FCM)アルゴリズムは、形態的再構成操作とタイトウェーブレットフレーム変換を組み込んでいる。 特徴集合とその理想値の間の残差に対して$ell_0$正規化項を付与することにより、改良されたFCMアルゴリズムを提案する。 合成, 医用, カラー画像に対する実験結果から, 提案アルゴリズムは効率的かつ効率的であり, 他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-14T10:00:03Z)

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。