論文の概要: Do Sharpness-based Optimizers Improve Generalization in Medical Image Analysis?

• arxiv url: http://arxiv.org/abs/2408.04065v2
• Date: Fri, 9 Aug 2024 18:31:03 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-13 10:59:25.963520
• Title: Do Sharpness-based Optimizers Improve Generalization in Medical Image Analysis?
• Title（参考訳）: シャープネスに基づく最適化は医用画像解析の一般化を改善するか?
• Authors: Mohamed Hassan, Aleksandar Vakanski, Min Xian,
• Abstract要約: Sharpness-Aware Minimization (SAM)は、一般的なドメイン画像データセットの一般化性能を高める可能性を示している。 本研究は、深層学習ネットワークの一般化を改善するための、近年のシャープネスに基づく手法を提供し、医療用胸部超音波画像上での評価を行う。
• 参考スコア（独自算出の注目度）: 47.346907372319706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Effective clinical deployment of deep learning models in healthcare demands high generalization performance to ensure accurate diagnosis and treatment planning. In recent years, significant research has focused on improving the generalization of deep learning models by regularizing the sharpness of the loss landscape. Among the optimization approaches that explicitly minimize sharpness, Sharpness-Aware Minimization (SAM) has shown potential in enhancing generalization performance on general domain image datasets. This success has led to the development of several advanced sharpness-based algorithms aimed at addressing the limitations of SAM, such as Adaptive SAM, surrogate-Gap SAM, Weighted SAM, and Curvature Regularized SAM. These sharpness-based optimizers have shown improvements in model generalization compared to conventional stochastic gradient descent optimizers and their variants on general domain image datasets, but they have not been thoroughly evaluated on medical images. This work provides a review of recent sharpness-based methods for improving the generalization of deep learning networks and evaluates the methods performance on medical breast ultrasound images. Our findings indicate that the initial SAM method successfully enhances the generalization of various deep learning models. While Adaptive SAM improves generalization of convolutional neural networks, it fails to do so for vision transformers. Other sharpness-based optimizers, however, do not demonstrate consistent results. The results reveal that, contrary to findings in the non-medical domain, SAM is the only recommended sharpness-based optimizer that consistently improves generalization in medical image analysis, and further research is necessary to refine the variants of SAM to enhance generalization performance in this field
• Abstract（参考訳）: 医療におけるディープラーニングモデルの効果的な臨床展開は、正確な診断と治療計画を確保するために、高い一般化性能を必要とする。 近年,ロスランドスケープのシャープネスを規則化し,ディープラーニングモデルの一般化に重点を置いている。 シャープネス・アウェアの最小化(SAM)は、シャープネスを明示的に最小化する最適化手法の中で、一般領域画像データセットの一般化性能を高める可能性を示している。 この成功により、Adaptive SAM、Surrogate-Gap SAM、Weighted SAM、Curvature Regularized SAMといったSAMの限界に対処する先進的なシャープネスベースのアルゴリズムが開発された。 これらのシャープネスに基づくオプティマイザは、従来の確率勾配降下オプティマイザや一般領域画像データセットの変種と比較して、モデル一般化の改善を示すが、医療画像では十分に評価されていない。 本研究は, 深層学習ネットワークの一般化に関する最近のシャープネスに基づく手法を概観し, 医療用胸部超音波画像上での性能評価を行う。 提案手法は,様々な深層学習モデルの一般化に有効であることが示唆された。 Adaptive SAMは畳み込みニューラルネットワークの一般化を改善するが、ビジョントランスフォーマーでは実現できない。 しかし、他のシャープネスベースのオプティマイザは一貫性のある結果を示さない。 結果は,非医療領域における発見とは対照的に,SAMは医用画像解析における一般化を一貫して改善する唯一の推奨シャープネスベース最適化器であり,SAMの変種を改良して,この分野における一般化性能を高めるためには,さらなる研究が必要であることを明らかにした。

関連論文リスト

• 1st-Order Magic: Analysis of Sharpness-Aware Minimization [0.0]
  SAM (Sharpness-Aware Minimization) は、平らな損失最小値を求めることで一般化を改善するために設計された最適化手法である。 提案したSAM目標値のより正確な近似は、一般化性能を劣化させる。 このことはSAMの有効性に対する我々の理解のギャップを浮き彫りにし、最適化における近似の役割についてさらなる調査を求める。
  論文  参考訳（メタデータ） (2024-11-03T23:50:34Z)
• Improving Segment Anything on the Fly: Auxiliary Online Learning and Adaptive Fusion for Medical Image Segmentation [52.172885882728174]
  医療画像の文脈では、SAMがそのセグメンテーション予測を生成した後、人間の専門家が特定のテストサンプルのセグメンテーションを修正することは珍しくない。 我々は、オンライン機械学習の利点を活用して、テスト期間中にSegment Anything(SA)を強化する新しいアプローチを導入する。 医用画像におけるSAのセグメンテーション品質を改善することを目的として,オンライン学習のための修正アノテーションを用いた。
  論文  参考訳（メタデータ） (2024-06-03T03:16:25Z)
• Optimizing Universal Lesion Segmentation: State Space Model-Guided Hierarchical Networks with Feature Importance Adjustment [0.0]
  我々は,MAMBAフレームワークにステートスペースモデル(SSM)とアドバンスト階層ネットワーク(AHNet)を統合したMamba-Ahnetを紹介する。 Mamba-Ahnetは、SSMの特徴抽出と理解をAHNetの注意機構と画像再構成と組み合わせ、セグメンテーションの精度と堅牢性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-26T08:15:43Z)
• Friendly Sharpness-Aware Minimization [62.57515991835801]
  シャープネス・アウェアの最小化(SAM)は、トレーニング損失とロスシャープネスの両方を最小化することにより、ディープニューラルネットワークトレーニングの改善に役立っている。 対向性摂動におけるバッチ特異的勾配雑音の主な役割,すなわち現在のミニバッチ勾配について検討する。 逆勾配雑音成分を分解することにより、全勾配のみに依存すると一般化が低下し、除くと性能が向上することがわかった。
  論文  参考訳（メタデータ） (2024-03-19T01:39:33Z)
• Improved Deep Neural Network Generalization Using m-Sharpness-Aware Minimization [14.40189851070842]
  シャープネス・アウェア最小化(SAM)は、基礎となる損失関数を修正し、フラットなミニマへ導出する方法を導出する。 近年の研究ではmSAMがSAMよりも精度が高いことが示唆されている。 本稿では,様々なタスクやデータセットにおけるmSAMの包括的評価について述べる。
  論文  参考訳（メタデータ） (2022-12-07T00:37:55Z)
• Model Generalization: A Sharpness Aware Optimization Perspective [4.017760528208121]
  シャープネス認識最小化(SAM)と適応シャープネス認識最小化(ASAM)はモデル一般化の改善を目的としている。 実験の結果,シャープネス認識に基づく最適化手法は,強力な一般化能力を持つモデルを提供するのに役立つことがわかった。
  論文  参考訳（メタデータ） (2022-08-14T20:50:17Z)
• Efficient Sharpness-aware Minimization for Improved Training of Neural Networks [146.2011175973769]
  本稿では,SAM s の効率を高コストで向上する高効率シャープネス認識最小化器 (M) を提案する。 Mには、Stochastic Weight PerturbationとSharpness-Sensitive Data Selectionという、2つの新しい効果的なトレーニング戦略が含まれている。 我々は、CIFARとImageNetデータセットの広範な実験を通して、ESAMはSAMよりも100%余分な計算を40%のvis-a-visベースに必要とせずに効率を向上させることを示した。
  論文  参考訳（メタデータ） (2021-10-07T02:20:37Z)
• On the Robustness of Pretraining and Self-Supervision for a Deep Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
  糖尿病網膜症における訓練方法の違いによる影響を比較検討した。 本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。 以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
  論文  参考訳（メタデータ） (2021-06-25T08:32:45Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.34726150561087]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)

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。