論文の概要: Review of Zero-Shot and Few-Shot AI Algorithms in The Medical Domain

• arxiv url: http://arxiv.org/abs/2406.16143v1
• Date: Sun, 23 Jun 2024 15:45:32 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-25 18:54:26.419167
• Title: Review of Zero-Shot and Few-Shot AI Algorithms in The Medical Domain
• Title（参考訳）: 医療領域におけるゼロショットとFewショットAIアルゴリズムのレビュー
• Authors: Maged Badawi, Mohammedyahia Abushanab, Sheethal Bhat, Andreas Maier,
• Abstract要約: 本稿では,少数ショット,ゼロショット,正規物体検出の異なる手法について検討した。 ほとんどショットがなく、ゼロショットで、通常のオブジェクト検出は、新しいフレームワークやテクニックを通じて、フィールドの進化に共通の焦点をあてている。
• 参考スコア（独自算出の注目度）: 3.196204482566275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, different techniques of few-shot, zero-shot, and regular object detection have been investigated. The need for few-shot learning and zero-shot learning techniques is crucial and arises from the limitations and challenges in traditional machine learning, deep learning, and computer vision methods where they require large amounts of data, plus the poor generalization of those traditional methods. Those techniques can give us prominent results by using only a few training sets reducing the required amounts of data and improving the generalization. This survey will highlight the recent papers of the last three years that introduce the usage of few-shot learning and zero-shot learning techniques in addressing the challenges mentioned earlier. In this paper we reviewed the Zero-shot, few-shot and regular object detection methods and categorized them in an understandable manner. Based on the comparison made within each category. It been found that the approaches are quite impressive. This integrated review of diverse papers on few-shot, zero-shot, and regular object detection reveals a shared focus on advancing the field through novel frameworks and techniques. A noteworthy observation is the scarcity of detailed discussions regarding the difficulties encountered during the development phase. Contributions include the introduction of innovative models, such as ZSD-YOLO and GTNet, often showcasing improvements with various metrics such as mean average precision (mAP),Recall@100 (RE@100), the area under the receiver operating characteristic curve (AUROC) and precision. These findings underscore a collective move towards leveraging vision-language models for versatile applications, with potential areas for future research including a more thorough exploration of limitations and domain-specific adaptations.
• Abstract（参考訳）: 本稿では, 少数ショット, ゼロショット, 正規物体検出の異なる手法について検討した。 数ショットの学習とゼロショットの学習技術の必要性は極めて重要であり、従来の機械学習、ディープラーニング、そして大量のデータを必要とするコンピュータビジョン手法の限界と課題、そしてそれらの従来の手法の一般化の低さから生じる。 これらの技術は、必要なデータ量を削減し、一般化を改善するために、少数のトレーニングセットを使用するだけで、顕著な結果が得られる。 この調査では、前述した課題に対処するために、過去3年間のいくつかのショットラーニングとゼロショットラーニング技術を導入した最近の論文を取り上げる。 本稿では、ゼロショット、少数ショット、正規オブジェクト検出手法をレビューし、それらを理解可能な方法で分類した。 各カテゴリーで比較した。 アプローチは非常に印象的なものだことが判明した。 少数ショット、ゼロショット、正規オブジェクト検出に関する多種多様な論文の統合レビューは、新しいフレームワークやテクニックを通じて分野を前進させることに共通の焦点をあてている。 注目すべき観察は、開発段階で遭遇した困難に関する詳細な議論の欠如である。 ZSD-YOLOやGTNetのような革新的なモデルの導入は、平均平均精度(mAP)、Recall@100(RE@100)、受信機動作特性曲線(AUROC)の下の領域、精度などの様々な指標で改善を示すことが多い。 これらの知見は、視覚言語モデルを多元的応用に活用するための総合的な動きを浮き彫りにしており、将来的な研究分野として、より徹底的な限界探索やドメイン固有の適応が期待できる。

関連論文リスト

• A Comprehensive Review of Few-shot Action Recognition [64.47305887411275]
  アクション認識は、複雑で可変なビデオデータを手動でラベル付けすることのコストと非現実性に対処することを目的としている。 ビデオ中の人間のアクションを正確に分類するには、クラスごとにいくつかのラベル付き例だけを使用する必要がある。
  論文  参考訳（メタデータ） (2024-07-20T03:53:32Z)
• Deep Learning-Based Object Pose Estimation: A Comprehensive Survey [73.74933379151419]
  ディープラーニングに基づくオブジェクトポーズ推定の最近の進歩について論じる。 また、複数の入力データモダリティ、出力ポーズの自由度、オブジェクト特性、下流タスクについても調査した。
  論文  参考訳（メタデータ） (2024-05-13T14:44:22Z)
• Zero-shot Degree of Ill-posedness Estimation for Active Small Object Change Detection [8.977792536037956]
  日常的な屋内ナビゲーションでは、ロボットは区別できない小さな変化物体を検出する必要がある。 既存の技術は、変更検出モデルを正規化するために、高品質なクラス固有オブジェクトに依存している。 本研究では,受動とアクティブビジョンの両方を改善するために,DoIの概念を検討する。
  論文  参考訳（メタデータ） (2024-05-10T01:56:39Z)
• Fine-Grained Zero-Shot Learning: Advances, Challenges, and Prospects [84.36935309169567]
  ゼロショット学習(ZSL)における微粒化解析の最近の進歩を概観する。 まず、各カテゴリの詳細な分析を行い、既存の手法と手法の分類について述べる。 次に、ベンチマークを要約し、公開データセット、モデル、実装、およびライブラリとしての詳細について説明する。
  論文  参考訳（メタデータ） (2024-01-31T11:51:24Z)
• Assaying on the Robustness of Zero-Shot Machine-Generated Text Detectors [57.7003399760813]
  先進的なLarge Language Models (LLMs) とその特殊な変種を探索し、いくつかの方法でこの分野に寄与する。 トピックと検出性能の間に有意な相関関係が発見された。 これらの調査は、様々なトピックにまたがるこれらの検出手法の適応性と堅牢性に光を当てた。
  論文  参考訳（メタデータ） (2023-12-20T10:53:53Z)
• Generalized Few-Shot Object Detection without Forgetting [17.719042946397487]
  本稿では,単純だが有効であるR-CNN(Retentive R-CNN)を提案する。 Bias-Balanced RPN は、事前訓練された RPN と Re-detector からなり、過去の知識を忘れずに、ほとんどショットのクラスオブジェクトを見つける。 我々のアプローチは、長年望まれていなかった学習者がオブジェクト検出で利用できることを示した。
  論文  参考訳（メタデータ） (2021-05-20T03:25:29Z)
• Hallucination Improves Few-Shot Object Detection [15.932703834032456]
  少数ショット検出を改善する上で重要な要因は、トレーニングデータのばらつきの欠如に対処することだ。 基本クラスから共有クラス内変分を転送することで,新しいクラスの変分モデルを構築することを提案する。 提案手法は,提案手法が異なる2つの最先端の少数ショット検出器の性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-05-04T05:19:53Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• Any-Shot Object Detection [81.88153407655334]
  「アニーショット検出」とは、全く見えず、数発のカテゴリが推論中に同時に共起できる場所である。 我々は、ゼロショットと少数ショットの両方のオブジェクトクラスを同時に検出できる、統合された任意のショット検出モデルを提案する。 我々のフレームワークは、ゼロショット検出とFewショット検出タスクにのみ使用できる。
  論文  参考訳（メタデータ） (2020-03-16T03:43:15Z)

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。