Fugu-MT 論文翻訳(概要): Sequential Hard Mining: a data-centric approach for Mitosis Detection

論文の概要: Sequential Hard Mining: a data-centric approach for Mitosis Detection

arxiv url: http://arxiv.org/abs/2509.02588v1
Date: Thu, 28 Aug 2025 22:47:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-04 21:40:46.230751
Title: Sequential Hard Mining: a data-centric approach for Mitosis Detection
Title（参考訳）: シークエンシャルハードマイニング : ミトコンドリア検出のためのデータ中心型アプローチ
Authors: Maxime W. Lafarge, Viktor H. Koelzer,
Abstract要約: 従来提案されていた手法をベースとして,強化技術にインスパイアされたトレーニングデータの効率的なサンプリングに重点を置いている。我々はMIDOG 2025チャレンジの2つのトラックに対する候補解を提案する。
参考スコア（独自算出の注目度）: 0.17188280334580194
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: With a continuously growing availability of annotated datasets of mitotic figures in histology images, finding the best way to optimally use with this unprecedented amount of data to optimally train deep learning models has become a new challenge. Here, we build upon previously proposed approaches with a focus on efficient sampling of training data inspired by boosting techniques and present our candidate solutions for the two tracks of the MIDOG 2025 challenge.
Abstract（参考訳）: この前例のない量のデータを使って、ディープラーニングモデルを最適に訓練する最善の方法を見つけることは、新たな課題となっている。そこで本研究では,MIDOG 2025チャレンジの2つのトラックに対して,強化技術に触発されたトレーニングデータの効率的なサンプリングに焦点をあてて,従来提案されていたアプローチを構築した。

関連論文リスト

Unlocking the Potential of Difficulty Prior in RL-based Multimodal Reasoning [69.64809103333839]
先行情報に対する問題の難易度を明示的にモデル化し,多モーダル推論における強化学習に基づく微調整の有効性を検証した。提案手法は,2段階学習データのみを2K+0.6Kとする多モード数学的推論ベンチマークにおいて有意な性能を示す。
論文参考訳（メタデータ） (2025-05-19T15:43:10Z)
Semi-Supervised Fine-Tuning of Vision Foundation Models with Content-Style Decomposition [4.192370959537781]
本稿では,ラベル付きデータに制限のある下流タスクにおいて,事前学習した基礎モデルの性能向上を目的とした半教師付き微調整手法を提案する。我々は、MNIST、その拡張されたバリエーション、CIFAR-10、SVHN、GalaxyMNISTを含む複数のデータセットに対するアプローチを評価した。
論文参考訳（メタデータ） (2024-10-02T22:36:12Z)
Rejection Sampling IMLE: Designing Priors for Better Few-Shot Image Synthesis [7.234618871984921]
新たな研究分野は、限られたトレーニングデータで深層生成モデルを学ぶことを目的としている。トレーニングに使用する事前分布を変更する新しいアプローチであるRS-IMLEを提案する。これにより、既存のGANやIMLEベースの手法に比べて画質が大幅に向上する。
論文参考訳（メタデータ） (2024-09-26T00:19:42Z)
Towards Stable and Storage-efficient Dataset Distillation: Matching Convexified Trajectory [53.37473225728298]
ディープラーニングと大規模言語モデルの急速な進化により、トレーニングデータの需要が指数関数的に増加した。 MTT(Matching Training Trajectories)は、専門家ネットワークのトレーニングトラジェクトリを、合成データセットで実データ上に複製する、顕著なアプローチである。そこで本研究では,学生の軌道に対するより良いガイダンスを提供することを目的として,MCT (Matching Convexified Trajectory) と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2024-06-28T11:06:46Z)
SmurfCat at SemEval-2024 Task 6: Leveraging Synthetic Data for Hallucination Detection [51.99159169107426]
本稿では,SemEval-2024幻覚検出タスクのための新しいシステムを提案する。我々の調査は、モデル予測と基準基準を比較するための様々な戦略にまたがっている。強力なパフォーマンス指標を示す3つの異なる方法を紹介します。
論文参考訳（メタデータ） (2024-04-09T09:03:44Z)
Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文参考訳（メタデータ） (2023-11-22T03:45:30Z)
Leveraging the Power of Data Augmentation for Transformer-based Tracking [64.46371987827312]
トラッキング用にカスタマイズされた2つのデータ拡張手法を提案する。まず、動的探索半径機構と境界サンプルのシミュレーションにより、既存のランダムトリミングを最適化する。第2に,背景干渉などの問題に対するモデルを可能にする,トークンレベルの機能混在強化戦略を提案する。
論文参考訳（メタデータ） (2023-09-15T09:18:54Z)
Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文参考訳（メタデータ） (2023-01-03T13:06:44Z)

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。