論文の概要: NCDD: Nearest Centroid Distance Deficit for Out-Of-Distribution Detection in Gastrointestinal Vision

• arxiv url: http://arxiv.org/abs/2412.01590v1
• Date: Mon, 02 Dec 2024 15:07:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:49:50.600660
• Title: NCDD: Nearest Centroid Distance Deficit for Out-Of-Distribution Detection in Gastrointestinal Vision
• Title（参考訳）: NCDD : 腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下腹腔鏡下手術
• Authors: Sandesh Pokhrel, Sanjay Bhandari, Sharib Ali, Tryphon Lambrou, Anh Nguyen, Yash Raj Shrestha, Angus Watson, Danail Stoyanov, Prashnna Gyawali, Binod Bhattarai,
• Abstract要約: 消化器視覚における深層学習ツールの統合は、診断、治療、患者ケアの大幅な進歩の可能性を秘めている。 しかし、大きな課題は、目に見えない、または新しく出現する病気のパターンに遭遇しても、これらのツールが過度に自信の持たない予測を行う傾向があることである。 消化管OOD検出のための特徴空間において, 新たにNCCD(Nest-centroid distance loss)スコアを提案する。
• 参考スコア（独自算出の注目度）: 13.349151639789902
• License:
• Abstract: The integration of deep learning tools in gastrointestinal vision holds the potential for significant advancements in diagnosis, treatment, and overall patient care. A major challenge, however, is these tools' tendency to make overconfident predictions, even when encountering unseen or newly emerging disease patterns, undermining their reliability. We address this critical issue of reliability by framing it as an out-of-distribution (OOD) detection problem, where previously unseen and emerging diseases are identified as OOD examples. However, gastrointestinal images pose a unique challenge due to the overlapping feature representations between in- Distribution (ID) and OOD examples. Existing approaches often overlook this characteristic, as they are primarily developed for natural image datasets, where feature distinctions are more apparent. Despite the overlap, we hypothesize that the features of an in-distribution example will cluster closer to the centroids of their ground truth class, resulting in a shorter distance to the nearest centroid. In contrast, OOD examples maintain an equal distance from all class centroids. Based on this observation, we propose a novel nearest-centroid distance deficit (NCCD) score in the feature space for gastrointestinal OOD detection. Evaluations across multiple deep learning architectures and two publicly available benchmarks, Kvasir2 and Gastrovision, demonstrate the effectiveness of our approach compared to several state-of-the-art methods. The code and implementation details are publicly available at: https://github.com/bhattarailab/NCDD
• Abstract（参考訳）: 消化器視覚における深層学習ツールの統合は、診断、治療、および全身的な患者ケアの大幅な進歩の可能性を秘めている。 しかし、大きな課題は、これらのツールが未確認または新たに出現する病気のパターンに遭遇しても、過度に自信の持たない予測を行う傾向にあり、信頼性を損なうことである。 我々は、この信頼性の重大な問題に対して、未発見の新興疾患をOODの例とみなすOOD検出問題(out-of-distriion (OOD) detection problem)とみなすことで対処する。 しかし、消化管画像は、in- Distribution (ID) と OOD の重なり合う特徴表現のため、ユニークな課題である。 既存のアプローチはしばしば、特徴の区別がより明確である自然画像データセットのために開発されたため、この特徴を見落としている。 重なり合いにもかかわらず、分布しない例の特徴は、それらの基底真理クラスのセントロイドに近づき、最も近いセントロイドまでの距離が短くなるという仮説を立てる。 対照的に、OODの例は全てのクラスセントロイドと等しい距離を保っている。 そこで本研究では,消化管OOD検出のための特徴空間において,NCCD(Nest-centroid distance loss)スコアを新たに提案する。 複数のディープラーニングアーキテクチャと、Kvasir2とGastrovisionの2つの公開ベンチマークによる評価は、いくつかの最先端手法と比較して、我々のアプローチの有効性を実証している。 コードと実装の詳細は、https://github.com/bhattarailab/NCDD.comで公開されている。

関連論文リスト

• Going Beyond Conventional OOD Detection [0.0]
  アウト・オブ・ディストリビューション(OOD)検出は、重要なアプリケーションにディープラーニングモデルの安全なデプロイを保証するために重要である。 従来型OOD検出(ASCOOD)への統一的アプローチを提案する。 提案手法は, スパイラル相関の影響を効果的に軽減し, 微粒化特性の獲得を促す。
  論文  参考訳（メタデータ） (2024-11-16T13:04:52Z)
• Towards Within-Class Variation in Alzheimer's Disease Detection from Spontaneous Speech [60.08015780474457]
  アルツハイマー病(AD)の検出は、機械学習の分類モデルを使用する有望な研究領域として浮上している。 我々は、AD検出において、クラス内変異が重要な課題であると考え、ADを持つ個人は認知障害のスペクトルを示す。 本稿では,ソフトターゲット蒸留 (SoTD) とインスタンスレベルの再分散 (InRe) の2つの新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-09-22T02:06:05Z)
• TTA-OOD: Test-time Augmentation for Improving Out-of-Distribution Detection in Gastrointestinal Vision [6.290783164114315]
  テスト時間拡張セグメントをOOD検出パイプラインに導入する。 この拡張は画素空間をシフトさせ、OOD例のより明確な意味表現へと変換する。 我々は既存のOODスコアに対して評価を行った。
  論文  参考訳（メタデータ） (2024-07-19T04:50:54Z)
• 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)
• From Global to Local: Multi-scale Out-of-distribution Detection [129.37607313927458]
  アウト・オブ・ディストリビューション(OOD)検出は、イン・ディストリビューション(ID)トレーニングプロセス中にラベルが見られない未知のデータを検出することを目的としている。 近年の表現学習の進歩により,距離に基づくOOD検出がもたらされる。 グローバルな視覚情報と局所的な情報の両方を活用する第1のフレームワークであるマルチスケールOOD検出(MODE)を提案する。
  論文  参考訳（メタデータ） (2023-08-20T11:56:25Z)
• A Global and Patch-wise Contrastive Loss for Accurate Automated Exudate Detection [12.669734891001667]
  糖尿病網膜症(DR:diabetic retinopathy)は、視覚障害の主要な原因である。 硬口蓋の早期発見は、糖尿病の治療と視力喪失の予防に役立つDRの同定において重要な役割を担っている。 ハード・エクスデュート・セグメンテーションを最適化する新しい教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-22T17:39:00Z)
• Relative distance matters for one-shot landmark detection [16.032695993409853]
  訓練段階において, 簡易効率の相対距離バイアスを組み込むことで, 検出値(CC2D)をバージョンIIと比較したカスケードをアップグレードする。 CC2Dv2は正しいランドマークから遠く離れた地点を検出できない。 我々は,下肢の生体力学的パラメータを測定するための,オープンソースのランドマークラベル付きデータセットを提案する。
  論文  参考訳（メタデータ） (2022-03-03T12:50:56Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• DIRV: Dense Interaction Region Voting for End-to-End Human-Object Interaction Detection [53.40028068801092]
  本稿では,HOI問題に対するインタラクション領域という新しい概念に基づいて,新しい一段階HOI検出手法を提案する。 従来の手法とは異なり,本手法は人-物対ごとに異なるスケールにわたる密集した相互作用領域に焦点をあてる。 単一相互作用領域の検出欠陥を補うために,我々は新しい投票戦略を導入する。
  論文  参考訳（メタデータ） (2020-10-02T13:57:58Z)

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。