Fugu-MT 論文翻訳(概要): Universal Lesion Segmentation Challenge 2023: A Comparative Research of Different Algorithms

論文の概要: Universal Lesion Segmentation Challenge 2023: A Comparative Research of Different Algorithms

arxiv url: http://arxiv.org/abs/2502.10608v1
Date: Fri, 14 Feb 2025 23:54:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-18 14:14:19.164415
Title: Universal Lesion Segmentation Challenge 2023: A Comparative Research of Different Algorithms
Title（参考訳）: Universal Lesion Segmentation Challenge 2023: 異なるアルゴリズムの比較研究
Authors: Kaiwen Shi, Yifei Li, Binh Ho, Jovian Wang, Kobe Guo,
Abstract要約: 1)すべての組織タイプでうまく機能するモデルをトレーニングし、2)高速な推論を行うことができる。合理性、成功、失敗を文書化しています。
参考スコア（独自算出の注目度）: 4.123382702435509
License:
Abstract: In recent years, machine learning algorithms have achieved much success in segmenting lesions across various tissues. There is, however, not one satisfying model that works well on all tissue types universally. In response to this need, we attempt to train a model that 1) works well on all tissue types, and 2) is capable of still performing fast inferences. To this end, we design our architectures, test multiple existing architectures, compare their results, and settle upon SwinUnet. We document our rationales, successes, and failures. Finally, we propose some further directions that we think are worth exploring. codes: https://github.com/KWFredShi/ULS2023NGKD.git
Abstract（参考訳）: 近年、機械学習アルゴリズムは様々な組織にまたがる病変の分節化に成功している。しかし、すべての組織タイプでうまく機能する満足度のあるモデルがひとつもない。このニーズに応えて、私たちはモデルをトレーニングしようとします。 1)全ての組織タイプで正常に機能し、 2) 高速な推論が可能である。この目的のために、我々はアーキテクチャを設計し、既存のアーキテクチャを複数テストし、その結果を比較し、SwinUnetに固執する。合理性、成功、失敗を文書化しています。最後に、探索する価値があると思われるさらなる方向性を提案する。コード:https://github.com/KWFredShi/ULS2023NGKD.git

関連論文リスト

How we won BraTS 2023 Adult Glioma challenge? Just faking it! Enhanced Synthetic Data Augmentation and Model Ensemble for brain tumour segmentation [2.063757582116522]
ディープラーニングは、脳腫瘍をセグメント化するための最先端技術である。大量の高品質なデータが必要ですが、入手は困難です。我々は、データ拡張に非従来的なメカニズムを用いることで、この問題に対処する。
論文参考訳（メタデータ） (2024-02-27T08:49:30Z)
Searching for the Fakes: Efficient Neural Architecture Search for General Face Forgery Detection [4.19882227319634]
我々は、ディープフェイク検出のためのニューラルネットワーク探索(NAS)に基づくエンドツーエンドフレームワークを開発する。本稿では,より一般的なモデルを選択するための探索プロセスを導く新しい性能推定指標を提案する。人工的に設計した最先端ネットワークと比較して,本手法は,データベース内シナリオとデータセット間シナリオの両方において,競合性能を実現する。
論文参考訳（メタデータ） (2023-06-15T03:01:13Z)
NEVIS'22: A Stream of 100 Tasks Sampled from 30 Years of Computer Vision Research [96.53307645791179]
我々は,100以上の視覚的分類タスクのストリームからなるベンチマークであるNever-Ending VIsual-classification Stream (NEVIS'22)を紹介する。分類に制限されているにもかかわらず、OCR、テクスチャ分析、シーン認識など、様々なタスクが生成される。 NEVIS'22は、タスクの規模と多様性のために、現在のシーケンシャルな学習アプローチに対して前例のない課題を提起している。
論文参考訳（メタデータ） (2022-11-15T18:57:46Z)
Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文参考訳（メタデータ） (2021-12-24T05:54:21Z)
Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
論文参考訳（メタデータ） (2021-04-02T02:07:37Z)
One-Shot Neural Ensemble Architecture Search by Diversity-Guided Search Space Shrinking [97.60915598958968]
本稿では,この2つの課題に対処するワンショットニューラルアンサンブルアーキテクチャサーチ(NEAS)ソリューションを提案する。最初の課題として,探索空間の縮小を導くために,多様性に基づく新しい指標を導入する。第2の課題として,異なるモデル間の階層共有を効率向上のために学習する新たな探索次元を実現する。
論文参考訳（メタデータ） (2021-04-01T16:29:49Z)
Towards Searching Efficient and Accurate Neural Network Architectures in Binary Classification Problems [4.3871352596331255]
本研究では,異なる探索アルゴリズムを調査し,最も精度の高いニューラルネットワークのアーキテクチャサイズを求めることで,選択プロセスを最適化する。非常に明確に定義されたバイナリ分類ネットワーク検索空間でバイナリ検索を適用し、結果を線形検索と比較します。我々は,二項探索法をデータセットに適用した場合,ナイーブ線形探索よりも100倍長い実行時間の改善を報告した。
論文参考訳（メタデータ） (2021-01-16T20:00:38Z)
Learning from similarity and information extraction from structured documents [0.0]
目的は、巨大な実世界の文書データセット上で、単語ごとの分類のマイクロF1を改善することである。結果は、提案されたアーキテクチャ部品がすべて、以前の結果を上回るために必要であることを確認した。最高のモデルは、F1スコアの8.25利得によって、前の最先端結果を改善する。
論文参考訳（メタデータ） (2020-10-17T21:34:52Z)
GOLD-NAS: Gradual, One-Level, Differentiable [100.12492801459105]
GOLD-NAS (Gradual One-Level Differentiable Neural Architecture Search) という新しいアルゴリズムを提案する。 1レベル最適化に可変リソース制約を導入し、弱い演算子をスーパーネットワークから徐々に追い出す。
論文参考訳（メタデータ） (2020-07-07T10:37:49Z)
Searching towards Class-Aware Generators for Conditional Generative Adversarial Networks [132.29772160843825]
条件付き生成逆数ネットワーク(cGAN)は,その条件に基づいて画像を生成するように設計されている。既存のメソッドは、すべてのクラスで同じ生成アーキテクチャを使っている。本稿では,各クラスごとに異なるアーキテクチャを見つけるためにNASを採用する新しいアイデアを提案する。
論文参考訳（メタデータ） (2020-06-25T07:05:28Z)

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。