論文の概要: LoGex: Improved tail detection of extremely rare histopathology classes via guided diffusion

• arxiv url: http://arxiv.org/abs/2409.01317v1
• Date: Mon, 2 Sep 2024 15:18:15 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-06 06:25:12.769336
• Title: LoGex: Improved tail detection of extremely rare histopathology classes via guided diffusion
• Title（参考訳）: LoGex:ガイド拡散による極めて稀な病理組織クラスの尾部検出の改善
• Authors: Maximilian Mueller, Matthias Hein,
• Abstract要約: 現実的な医療環境では、データは長い尾を持つことが多く、ほとんどのサンプルは少数のクラスと稀なクラスの長い尾に集中しており、通常は少数のサンプルしか含まれていない。 この分布は、希少な条件が検出しにくく、限られたデータのために分類することが難しいため、重大な課題である。 本稿では,レアクラスを分類する代わりに,配布外データとして確実に検出することを目的とする。
• 参考スコア（独自算出の注目度）: 36.56346240815833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In realistic medical settings, the data are often inherently long-tailed, with most samples concentrated in a few classes and a long tail of rare classes, usually containing just a few samples. This distribution presents a significant challenge because rare conditions are critical to detect and difficult to classify due to limited data. In this paper, rather than attempting to classify rare classes, we aim to detect these as out-of-distribution data reliably. We leverage low-rank adaption (LoRA) and diffusion guidance to generate targeted synthetic data for the detection problem. We significantly improve the OOD detection performance on a challenging histopathological task with only ten samples per tail class without losing classification accuracy on the head classes.
• Abstract（参考訳）: 現実的な医療環境では、データは本質的に長い尾を持つことが多く、ほとんどのサンプルは少数のクラスと稀なクラスの長い尾に集中しており、通常は少数のサンプルしか含まれていない。 この分布は、希少な条件が検出しにくく、限られたデータのために分類することが難しいため、重大な課題である。 本稿では,レアクラスを分類する代わりに,配布外データとして確実に検出することを目的とする。 我々はローランク適応(LoRA)と拡散誘導を利用して、検出問題に対するターゲット合成データを生成する。 本研究は, 頭骨の分類精度を低下させることなく, 尾骨の10サンプルのみを用いて, 組織学的課題におけるOOD検出性能を著しく改善した。

関連論文リスト

• One Shot GANs for Long Tail Problem in Skin Lesion Dataset using novel content space assessment metric [1.833650794546064]
  医療分野では、まれな状態の医療データが不足しているため、長い尾の問題は頻繁に発生する。 One Shot GANsは、追加のサンプルを生成することで、HAM10000データセットのテールクラスを拡張するために使用された。
  論文  参考訳（メタデータ） (2024-09-30T04:51:54Z)
• From Uncertainty to Clarity: Uncertainty-Guided Class-Incremental Learning for Limited Biomedical Samples via Semantic Expansion [0.0]
  バイオメディカル分野における限られたサンプルの下でのクラスインクリメンタル学習手法を提案する。 提案手法は,最先端の手法を最大53.54%の精度で上回り,最適性能を実現する。
  論文  参考訳（メタデータ） (2024-09-12T05:22:45Z)
• Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
  ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。 混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
  論文  参考訳（メタデータ） (2024-08-15T13:26:13Z)
• EAT: Towards Long-Tailed Out-of-Distribution Detection [55.380390767978554]
  本稿では,長い尾を持つOOD検出の課題に対処する。 主な困難は、尾クラスに属するサンプルとOODデータを区別することである。 本稿では,(1)複数の禁制クラスを導入して分布内クラス空間を拡大すること,(2)コンテキストリッチなOODデータに画像をオーバーレイすることでコンテキスト限定のテールクラスを拡大すること,の2つの簡単な考え方を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:47:13Z)
• Leveraging Unlabelled Data in Multiple-Instance Learning Problems for Improved Detection of Parkinsonian Tremor in Free-Living Conditions [80.88681952022479]
  本稿では,半教師付き学習とマルチスタンス学習を組み合わせた新しい手法を提案する。 本研究は,454被験者の非競合データを活用することにより,物体ごとの震動検出において大きな性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2023-04-29T12:25:10Z)
• Long-Tailed Classification of Thorax Diseases on Chest X-Ray: A New Benchmark Study [75.05049024176584]
  胸部X線上の胸部疾患の特定領域における長期学習問題についてベンチマーク研究を行った。 我々は,自然に分布する胸部X線データから学ぶことに集中し,一般的な「頭部」クラスだけでなく,稀ながら重要な「尾」クラスよりも分類精度を最適化する。 このベンチマークは、19と20の胸郭疾患分類のための2つの胸部X線データセットで構成され、53,000のクラスと7のラベル付きトレーニング画像を含む。
  論文  参考訳（メタデータ） (2022-08-29T04:34:15Z)
• Sample hardness based gradient loss for long-tailed cervical cell detection [40.503143547742866]
  本稿では,各試料の硬度を異なるカテゴリで動的に調整するaGrad-Libra Lossを提案する。 我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。
  論文  参考訳（メタデータ） (2022-08-07T17:52:29Z)
• Knowledge distillation with a class-aware loss for endoscopic disease detection [1.1470070927586016]
  本研究では, 深層学習を活用して, 病変検出の困難さの局所化を改善するためのフレームワークを開発する。 本モデルは,内視鏡的疾患検出課題とKvasir-SEGデータセットの両方において,平均平均精度(mAP)において高い性能を実現する。
  論文  参考訳（メタデータ） (2022-07-19T19:56:12Z)
• Relational Subsets Knowledge Distillation for Long-tailed Retinal Diseases Recognition [65.77962788209103]
  本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。 モデルがサブセット固有の知識の学習に集中するように強制する。 提案手法は長期網膜疾患認識タスクに有効であることが判明した。
  論文  参考訳（メタデータ） (2021-04-22T13:39:33Z)
• Self-Taught Semi-Supervised Anomaly Detection on Upper Limb X-rays [11.859913430860335]
  監視されたディープネットワークは、放射線学者による多数の注釈を取る。 私たちのアプローチの合理性は、ラベルのないデータを活用するためにタスクのプリテキストタスクを使用することです。 本手法は、非監視および自己監視の異常検出設定におけるベースラインを上回っていることを示した。
  論文  参考訳（メタデータ） (2021-02-19T12:32:58Z)

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。