論文の概要: Improvement Strategies for Few-Shot Learning in OCT Image Classification of Rare Retinal Diseases

• arxiv url: http://arxiv.org/abs/2505.20149v1
• Date: Mon, 26 May 2025 15:49:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.584785
• Title: Improvement Strategies for Few-Shot Learning in OCT Image Classification of Rare Retinal Diseases
• Title（参考訳）: 網膜疾患のCT画像分類におけるFew-Shot Learningの改善戦略
• Authors: Cheng-Yu Tai, Ching-Wen Chen, Chi-Chin Wu, Bo-Chen Chiu, Cheng-Hung, Lin, Cheng-Kai Lu, Jia-Kang Wang, Tzu-Lun Huang,
• Abstract要約: 本論文は,OCT診断画像の分類精度を,大・稀なクラスで向上させるために,少数ショット学習を利用することに焦点を当てた。 最高のモデルはCBAMの注意機構と微調整のInceptionV3で作られ、全体的な精度は97.85%に達した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper focuses on using few-shot learning to improve the accuracy of classifying OCT diagnosis images with major and rare classes. We used the GAN-based augmentation strategy as a baseline and introduced several novel methods to further enhance our model. The proposed strategy contains U-GAT-IT for improving the generative part and uses the data balance technique to narrow down the skew of accuracy between all categories. The best model obtained was built with CBAM attention mechanism and fine-tuned InceptionV3, and achieved an overall accuracy of 97.85%, representing a significant improvement over the original baseline.
• Abstract（参考訳）: 本論文は,OCT診断画像の分類精度を,大・稀なクラスで向上させるために,少数ショット学習を利用することに焦点を当てた。 我々は、GANベースの拡張戦略をベースラインとして使用し、モデルをさらに強化するための新しい手法をいくつか導入した。 提案手法は生成部を改善するためのU-GAT-ITを含んでおり、データバランス技術を用いて各カテゴリ間の精度のスキューを絞り込む。 最高のモデルはCBAMのアテンション機構と微調整のインセプションV3で製造され、全体的な精度は97.85%に達した。

関連論文リスト

• AI-Driven Diabetic Retinopathy Diagnosis Enhancement through Image Processing and Salp Swarm Algorithm-Optimized Ensemble Network [5.001689778344014]
  糖尿病網膜症は糖尿病患者の視覚障害の主要な原因であり、早期発見は視力喪失を防ぐ重要な役割を担っている。 本稿では, 画像前処理, バックボーン事前学習モデルの選択, 特徴強調, 最適化の4段階からなるDR診断のための効果的なアンサンブル法を提案する。 提案されたモデルは、マルチクラスKaggle APTOS 2019データセットで評価され、88.52%の精度が得られた。
  論文  参考訳（メタデータ） (2025-03-18T12:35:56Z)
• Enhanced Multi-Class Classification of Gastrointestinal Endoscopic Images with Interpretable Deep Learning Model [0.7349657385817541]
  本研究は,Kvasirデータセットから8000個のラベル付き内視鏡画像を用いて分類精度を向上させる新しい手法を提案する。 提案したアーキテクチャは、適度なモデルの複雑さを保ちながら、データ拡張への依存をなくす。 テスト精度は94.25%、精度は94.29%、リコールは94.24%である。
  論文  参考訳（メタデータ） (2025-03-02T08:07:50Z)
• Breast Cancer Histopathology Classification using CBAM-EfficientNetV2 with Transfer Learning [0.0]
  本研究では,EfficientNetV2モデルを用いて特徴抽出を改善し,関連組織領域に焦点を当てた新しいアプローチを提案する。 CBAMを搭載した効率の良いNetV2-XLは、最高精度99.01%、F1スコア98.31%を400倍の精度で達成した。
  論文  参考訳（メタデータ） (2024-10-29T17:56:05Z)
• Improved Unet brain tumor image segmentation based on GSConv module and ECA attention mechanism [0.0]
  U-Netアーキテクチャに基づく深層学習アルゴリズムである脳腫瘍に対する医用画像分割法の改良モデルについて述べる。 従来のU-Netに基づいて,医療画像分割作業におけるモデルの性能向上を目的としたGSConvモジュールとECAアテンション機構を導入する。
  論文  参考訳（メタデータ） (2024-09-20T16:35:19Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
  本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。 メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。 我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
  論文  参考訳（メタデータ） (2023-02-01T17:32:16Z)
• Consistency and Monotonicity Regularization for Neural Knowledge Tracing [50.92661409499299]
  人間の知識獲得を追跡する知識追跡(KT)は、オンライン学習と教育におけるAIの中心的なコンポーネントです。 本稿では, 新たなデータ拡張, 代替, 挿入, 削除の3種類と, 対応する正規化損失を提案する。 さまざまなKTベンチマークに関する広範な実験は、私たちの正規化スキームがモデルのパフォーマンスを一貫して改善することを示しています。
  論文  参考訳（メタデータ） (2021-05-03T02:36:29Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)

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。