論文の概要: Robustly Optimized Deep Feature Decoupling Network for Fatty Liver Diseases Detection

• arxiv url: http://arxiv.org/abs/2406.17338v1
• Date: Tue, 25 Jun 2024 07:50:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-26 15:11:49.097349
• Title: Robustly Optimized Deep Feature Decoupling Network for Fatty Liver Diseases Detection
• Title（参考訳）: 脂肪性肝疾患検出のためのロバストに最適化されたDeep Feature Decoupling Network
• Authors: Peng Huang, Shu Hu, Bo Peng, Jiashu Zhang, Xi Wu, Xin Wang,
• Abstract要約: 現在の医用画像分類の取り組みは主に、より高い平均性能を目指しています。 大量のデータをサポートせずに、深層学習は脂肪肝のきめ細かい分類の課題に直面している。 本稿では,機能分離と適応的対人訓練を組み合わせた革新的なディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.24448979368885
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Current medical image classification efforts mainly aim for higher average performance, often neglecting the balance between different classes. This can lead to significant differences in recognition accuracy between classes and obvious recognition weaknesses. Without the support of massive data, deep learning faces challenges in fine-grained classification of fatty liver. In this paper, we propose an innovative deep learning framework that combines feature decoupling and adaptive adversarial training. Firstly, we employ two iteratively compressed decouplers to supervised decouple common features and specific features related to fatty liver in abdominal ultrasound images. Subsequently, the decoupled features are concatenated with the original image after transforming the color space and are fed into the classifier. During adversarial training, we adaptively adjust the perturbation and balance the adversarial strength by the accuracy of each class. The model will eliminate recognition weaknesses by correctly classifying adversarial samples, thus improving recognition robustness. Finally, the accuracy of our method improved by 4.16%, achieving 82.95%. As demonstrated by extensive experiments, our method is a generalized learning framework that can be directly used to eliminate the recognition weaknesses of any classifier while improving its average performance. Code is available at https://github.com/HP-ML/MICCAI2024.
• Abstract（参考訳）: 現在の医用画像分類の取り組みは、主により高い平均性能を目指しており、しばしば異なる階級間のバランスを無視している。 これは、クラス間の認識精度と明らかな認識弱点に顕著な違いをもたらす可能性がある。 大量のデータをサポートせずに、深層学習は脂肪肝のきめ細かい分類の課題に直面している。 本稿では,特徴分離と適応的対角学習を組み合わせた,革新的なディープラーニングフレームワークを提案する。 まず, 腹部超音波検査では, 脂肪肝に特徴的な特徴と特徴を2つの反復的に圧縮したデカップラーを用いて観察した。 その後、色空間を変換した後、分離された特徴を原画像と連結し、分類器に供給する。 対人訓練では,摂動を適応的に調整し,各クラスの精度で対人力のバランスをとる。 このモデルは、正反対サンプルを正しく分類することで認識の弱点を排除し、認識の堅牢性を向上させる。 その結果,提案手法の精度は4.16%向上し,82.95%となった。 大規模な実験によって実証されたように,本手法は,任意の分類器の認識弱点を排除し,平均性能を向上する汎用学習フレームワークである。 コードはhttps://github.com/HP-ML/MICCAI2024で公開されている。

関連論文リスト

• Addressing Imbalance for Class Incremental Learning in Medical Image Classification [14.242875524728495]
  不均衡の悪影響を軽減するために2つのプラグイン法を導入する。 まず、多数派に対する分類バイアスを軽減するために、CILバランスの取れた分類損失を提案する。 第2に,組込み空間におけるクラス間重複を緩和するだけでなく,クラス内コンパクト性も緩和する分布マージン損失を提案する。
  論文  参考訳（メタデータ） (2024-07-18T17:59:44Z)
• Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
  モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。 乳癌の病理組織像から得られたBreakHisデータセットについて検討した。 この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
  論文  参考訳（メタデータ） (2024-05-06T17:06:11Z)
• Decoupled Contrastive Learning for Long-Tailed Recognition [58.255966442426484]
  Supervised Contrastive Loss (SCL) は視覚表現学習で人気がある。 ロングテール認識のシナリオでは、各クラスのサンプル数が不均衡である場合、2種類の正のサンプルを同じように扱うと、カテゴリー内距離に対するバイアス最適化が導かれる。 そこで我々は,尾級の低表現を緩和するために,頭級から尾級へ知識を伝達するためのパッチベースの自己蒸留法を提案する。
  論文  参考訳（メタデータ） (2024-03-10T09:46:28Z)
• Understanding the Detrimental Class-level Effects of Data Augmentation [63.1733767714073]
  最適な平均精度を達成するには、ImageNetで最大20%の個々のクラスの精度を著しく損なうコストがかかる。 本稿では,DAがクラスレベルの学習力学とどのように相互作用するかを理解するためのフレームワークを提案する。 そこで本研究では, クラス条件拡張戦略により, 負の影響を受けるクラスの性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-12-07T18:37:43Z)
• DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
  現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。 本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。 その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-13T15:31:52Z)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• Performance or Trust? Why Not Both. Deep AUC Maximization with Self-Supervised Learning for COVID-19 Chest X-ray Classifications [72.52228843498193]
  ディープラーニングモデルのトレーニングでは、パフォーマンスと信頼の間に妥協をしなければなりません。 本研究は、新型コロナウイルス患者のコンピュータ支援スクリーニングのための自己教師型学習と新しい代理損失を統合したものである。
  論文  参考訳（メタデータ） (2021-12-14T21:16:52Z)
• Prototypical Classifier for Robust Class-Imbalanced Learning [64.96088324684683]
  埋め込みネットワークに付加的なパラメータを必要としないtextitPrototypealを提案する。 プロトタイプは、訓練セットがクラス不均衡であるにもかかわらず、すべてのクラスに対してバランスと同等の予測を生成する。 我々は, CIFAR-10LT, CIFAR-100LT, Webvision のデータセットを用いて, プロトタイプが芸術の状況と比較した場合, サブスタンスの改善が得られることを検証した。
  論文  参考訳（メタデータ） (2021-10-22T01:55:01Z)
• Multiclass Burn Wound Image Classification Using Deep Convolutional Neural Networks [0.0]
  創傷専門家が管理プロトコルのより正確な診断と最適化を可能にするためには、継続的な創傷監視が重要です。 本研究では, 深層学習による傷傷画像の分類を, 傷の状況に応じて2、3つのカテゴリに分類する。
  論文  参考訳（メタデータ） (2021-03-01T23:54:18Z)
• Robust Pre-Training by Adversarial Contrastive Learning [120.33706897927391]
  近年の研究では、敵の訓練と統合されると、自己監督型事前訓練が最先端の堅牢性につながることが示されている。 我々は,データ強化と対向的摂動の両面に整合した学習表現により,ロバストネスを意識した自己指導型事前学習を改善する。
  論文  参考訳（メタデータ） (2020-10-26T04:44:43Z)
• Contraction Mapping of Feature Norms for Classifier Learning on the Data with Different Quality [5.47982638565422]
  本稿では,訓練画像の特徴規範の範囲を品質に応じて圧縮する縮約写像関数を提案する。 手書き文字認識、肺結節分類、顔認証、顔認識など、様々な分類応用の実験は、提案手法が有望であることを実証している。
  論文  参考訳（メタデータ） (2020-07-27T09:53:55Z)

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。