論文の概要: Cross-Domain Evaluation of Few-Shot Classification Models: Natural Images vs. Histopathological Images
- arxiv url: http://arxiv.org/abs/2410.09176v1
- Date: Fri, 11 Oct 2024 18:25:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-10-30 16:03:11.115028
- Title: Cross-Domain Evaluation of Few-Shot Classification Models: Natural Images vs. Histopathological Images
- Title（参考訳）: Few-Shot分類モデルのクロスドメイン評価:自然画像と病理像の比較
- Authors: Ardhendu Sekhar, Aditya Bhattacharya, Vinayak Goyal, Vrinda Goel, Aditya Bhangale, Ravi Kant Gupta, Amit Sethi,
- Abstract要約: まず、自然画像のいくつかの分類モデルを訓練し、その性能を病理画像で評価する。
病理組織学的データセットを4つ,自然画像データセットを1つ導入し,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオでパフォーマンスを評価した。
- 参考スコア（独自算出の注目度）: 2.364022147677265
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In this study, we investigate the performance of few-shot classification models across different domains, specifically natural images and histopathological images. We first train several few-shot classification models on natural images and evaluate their performance on histopathological images. Subsequently, we train the same models on histopathological images and compare their performance. We incorporated four histopathology datasets and one natural images dataset and assessed performance across 5-way 1-shot, 5-way 5-shot, and 5-way 10-shot scenarios using a selection of state-of-the-art classification techniques. Our experimental results reveal insights into the transferability and generalization capabilities of few-shot classification models between diverse image domains. We analyze the strengths and limitations of these models in adapting to new domains and provide recommendations for optimizing their performance in cross-domain scenarios. This research contributes to advancing our understanding of few-shot learning in the context of image classification across diverse domains.
- Abstract（参考訳）: 本研究では,異なる領域,特に自然像と病理像を対象とする数ショット分類モデルの性能について検討した。
まず、自然画像のいくつかの分類モデルを訓練し、その性能を病理画像で評価する。
その後、病理画像上で同じモデルを訓練し、それらの性能を比較した。
我々は,4つの病理組織データセットと1つの自然画像データセットを組み込み,最先端の分類手法を用いて,5ウェイ1ショット,5ウェイ5ショット,5ウェイ10ショットのシナリオでの性能評価を行った。
実験結果から,多様な画像領域間の少数ショット分類モデルの転送可能性および一般化能力に関する知見が得られた。
我々は、これらのモデルが新しいドメインに適応する際の長所と短所を分析し、クロスドメインシナリオにおけるパフォーマンスを最適化するための推奨事項を提供する。
本研究は,多様な領域にまたがる画像分類の文脈において,少数ショット学習の理解を深めることに寄与する。
関連論文リスト
- Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-09-24T12:02:55Z) - Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。
固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。
また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
論文 参考訳（メタデータ） (2024-08-30T04:51:19Z) - Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights [3.0830445241647313]
病理組織学的画像分類のための4つの病理組織学的データセットを検討した。
我々は,最先端の分類手法を用いて,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオを評価した。
5-way 1-shot, 5-way 5-shot, 5-way 10-shotはそれぞれ70%, 80%, 85%の精度を達成している。
論文 参考訳（メタデータ） (2024-08-25T12:17:05Z) - Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。
逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。
我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
論文 参考訳（メタデータ） (2024-06-19T08:07:14Z) - Glioma subtype classification from histopathological images using
in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。
半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。
モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:22:17Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - A domain adaptive deep learning solution for scanpath prediction of
paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。
我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。
提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文 参考訳（メタデータ） (2022-09-22T22:27:08Z) - FHIST: A Benchmark for Few-shot Classification of Histological Images [20.182417148565147]
画像分類にはあまり関心が寄せられていないが、現在の公開ベンチマークのほとんどは自然画像に焦点を当てている。
本稿では、様々な公開データセットから収集された高度に多様化した公開ベンチマークを、数発のヒストロジーデータ分類のために導入する。
本ベンチマークでは,最新の数ショット学習手法の性能評価を行い,単純な微調整法と正規化法が,一般的なメタラーニングやエピソディック学習のパラダイムよりも優れた結果が得られることを検証した。
論文 参考訳（メタデータ） (2022-05-31T20:03:40Z) - Modeling Category-Selective Cortical Regions with Topographic
Variational Autoencoders [72.15087604017441]
カテゴリー選択性(英: Category-Selectivity)は、大脳皮質の特定の空間的局所化領域が特定の限られたカテゴリーからの刺激に対して頑健かつ選択的に反応する傾向にあるという観察を記述している。
新たに導入されたTopographic Variational Autoencoderを利用して、そのような局所化カテゴリ選択性の出現を教師なしでモデル化する。
本研究では,ヒト腹側頭皮質の観察に類似した,より抽象的なカテゴリのネストされた空間的階層が得られたことを示す予備的な結果を示す。
論文 参考訳（メタデータ） (2021-10-25T11:37:41Z) - Cross-Domain Few-Shot Classification via Learned Feature-Wise
Transformation [109.89213619785676]
各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。
既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。
有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
論文 参考訳（メタデータ） (2020-01-23T18:55:43Z)
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。