論文の概要: Class Distance Weighted Cross Entropy Loss for Classification of Disease Severity

• arxiv url: http://arxiv.org/abs/2412.01246v3
• Date: Mon, 13 Jan 2025 16:07:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:24:55.598742
• Title: Class Distance Weighted Cross Entropy Loss for Classification of Disease Severity
• Title（参考訳）: 重症度分類のためのクラス距離重み付きクロスエントロピー損失
• Authors: Gorkem Polat, Ümit Mert Çağlar, Alptekin Temizel,
• Abstract要約: 新たな損失関数であるクラス距離重み付きクロスエントロピー(CDW-CE)を提案する。 これは、予測されたクラスと実際のクラスが遠く離れているときに、誤分類をより厳しく罰する。 以上の結果から,CDW-CEは日常的な画像分類タスクの性能を一貫して向上させることがわかった。
• 参考スコア（独自算出の注目度）: 2.7574609288882312
• License:
• Abstract: Assessing disease severity with ordinal classes, where each class reflects increasing severity levels, benefits from loss functions designed for this ordinal structure. Traditional categorical loss functions, like Cross-Entropy (CE), often perform suboptimally in these scenarios. To address this, we propose a novel loss function, Class Distance Weighted Cross-Entropy (CDW-CE), which penalizes misclassifications more severely when the predicted and actual classes are farther apart. We evaluated CDW-CE using various deep architectures, comparing its performance against several categorical and ordinal loss functions. To assess the quality of latent representations, we used t-distributed stochastic neighbor embedding (t-SNE) and uniform manifold approximation and projection (UMAP) visualizations, quantified the clustering quality using the Silhouette Score, and compared Class Activation Maps (CAM) generated by models trained with CDW-CE and CE loss. Feedback from domain experts was incorporated to evaluate how well model attention aligns with expert opinion. Our results show that CDW-CE consistently improves performance in ordinal image classification tasks. It achieves higher Silhouette Scores, indicating better class discrimination capability, and its CAM visualizations show a stronger focus on clinically significant regions, as validated by domain experts. Receiver operator characteristics (ROC) curves and the area under the curve (AUC) scores highlight that CDW-CE outperforms other loss functions, including prominent ordinal loss functions from the literature.
• Abstract（参考訳）: 各クラスが重症度レベルを反映する順序クラスによる重症度の評価は、この順序構造のために設計された損失関数の恩恵を受ける。 クロスエントロピー(CE)のような伝統的なカテゴリー的損失関数は、これらのシナリオで亜最適に実行されることが多い。 そこで本研究では,クラス距離重み付きクロスエントロピー(CDW-CE, Class Distance Weighted Cross-Entropy)を提案する。 各種の深いアーキテクチャを用いてCDW-CEを評価し,その性能をいくつかの分類的・順序的損失関数と比較した。 潜在表現の質を評価するために,t分散確率的隣接埋め込み (t-SNE) と一様多様体近似および投影 (UMAP) 可視化を用い,Silhouette Score を用いてクラスタリング品質を定量化し,CDW-CE と CE の損失を学習したモデルにより生成されたクラス活性化マップ (CAM) を比較した。 ドメインエキスパートからのフィードバックは、モデルの注意が専門家の意見とどのように一致しているかを評価するために取り入れられた。 以上の結果から,CDW-CEは日常的な画像分類タスクの性能を一貫して向上させることがわかった。 より高度なシルエットスコアを達成し、より優れたクラス識別能力を示し、そのCAM視覚化は、ドメインの専門家が検証したように、臨床的に重要な領域に焦点を当てている。 受信者演算子特性(ROC)曲線と曲線下面積(AUC)スコアは、CDW-CEが文献の顕著な順序損失関数を含む他の損失関数よりも優れていることを示す。

関連論文リスト

• Bayesian Learning-driven Prototypical Contrastive Loss for Class-Incremental Learning [42.14439854721613]
  本稿では,クラス増分学習シナリオに特化して,ベイズ学習駆動型コントラスト損失(BLCL)を持つプロトタイプネットワークを提案する。 提案手法は,ベイズ学習手法を用いて,クロスエントロピーとコントラスト損失関数のバランスを動的に適用する。
  論文  参考訳（メタデータ） (2024-05-17T19:49:02Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Class Distance Weighted Cross-Entropy Loss for Ulcerative Colitis Severity Estimation [1.957338076370071]
  本稿では,クラス距離重み付きクロスエントロピー (CDW-CE) と呼ばれる新しい損失関数を提案する。 本研究では,授業の順序を尊重するクラス距離重み付きクロスエントロピー(CDW-CE)と呼ばれる新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2022-02-09T18:47:50Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• Does Your Dermatology Classifier Know What It Doesn't Know? Detecting the Long-Tail of Unseen Conditions [18.351120611713586]
  皮膚の状態を正確に分類できる深層学習システムを開発し,厳密に評価した。 このタスクは、アウトオブディストリビューション(OOD)検出問題としてフレーム化します。 我々の新しいアプローチである階層外乱検出(HOD)は、各トレーニングクラスに対して複数の禁制クラスを割り当て、インレーヤ対外乱の粗い分類を共同で行う。
  論文  参考訳（メタデータ） (2021-04-08T15:15:22Z)
• Orthogonal Projection Loss [59.61277381836491]
  直交射影損失(OPL)と呼ばれる新しい損失関数を開発する。 OPLは、機能空間におけるクラス内クラスタリングとクラス間分離を直接実施する。 OPLは、慎重な負のマイニングを必要とせず、バッチサイズに敏感であるため、ユニークな利点がある。
  論文  参考訳（メタデータ） (2021-03-25T17:58:00Z)
• Learning Class Unique Features in Fine-Grained Visual Classification [20.59233720331779]
  情報理論の観点から,各カテゴリに特徴の独自性を付与することにより,CNNのトレーニングを規則化することを提案する。 提案した最小値損失を補うために,選択した各特徴マップ間の正規化内積に基づく特徴冗長損失(FRL)を提案する。
  論文  参考訳（メタデータ） (2020-11-22T06:20:47Z)
• CC-Loss: Channel Correlation Loss For Image Classification [35.43152123975516]
  チャネル相関損失(CC-Loss)は、クラスとチャネル間の特定の関係を制約することができる。 提案したCC-Lossでトレーニングされた2つの異なるバックボーンモデルは、3つの画像分類データセットにおける最先端の損失関数より優れている。
  論文  参考訳（メタデータ） (2020-10-12T05:59:06Z)

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。