Fugu-MT 論文翻訳(概要): Few-Shot Learning Pipeline for Monkeypox Skin Disease Classification Using CNN Feature Extractors

論文の概要: Few-Shot Learning Pipeline for Monkeypox Skin Disease Classification Using CNN Feature Extractors

arxiv url: http://arxiv.org/abs/2605.05034v1
Date: Wed, 06 May 2026 15:28:21 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-07 18:41:07.907367
Title: Few-Shot Learning Pipeline for Monkeypox Skin Disease Classification Using CNN Feature Extractors
Title（参考訳）: CNN機能エクストラクタを用いたサルポックス皮膚疾患分類のためのFew-Shot Learning Pipeline
Abstract要約: SimpleShotは、Monkeypoxとpoxライクな皮膚疾患認識のための軽量で非パラメトリックなインダクティブ分類器である。我々は,一貫した実験環境下で,CNNバックボーンを特徴抽出器として広く使用されている6つのバックボーンをベンチマークした。すべてのモデルの中で、MobileNetV2_100は一貫して最高精度を達成している。
参考スコア（独自算出の注目度）: 2.9206021389540466
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Despite the strong performance of Convolutional Neural Networks (CNNs) in disease classification, their effectiveness often depends on access to large annotated datasets, which is an impractical requirement for emerging or rare conditions such as Monkeypox. To overcome this limitation, we propose a few-shot learning (FSL) framework that employs SimpleShot, a lightweight, non-parametric, inductive classifier, for Monkeypox and pox-like skin disease recognition from limited labeled examples. The proposed pipeline passes the skin lesion images through a frozen, pretrained CNN backbone to obtain feature embeddings, which are then classified via SimpleShot using nearest-centroid comparisons in a normalized embedding space. We systematically benchmark six widely used CNN backbones as feature extractors under consistent experimental settings, enabling fair comparison. Experiments on three publicly available datasets (MSLD v1.0, MSID, and MSLD v2.0) are conducted across 2-way, 4-way, and 6-way tasks with 1-shot, 5-shot, and 10-shot configurations. Among all models, MobileNetV2_100 consistently achieves the highest accuracy. In addition, we present a cross-dataset evaluation for Monkeypox classification, revealing that binary Mpox-vs-Others transfer remains comparatively stable while multi-class performance degrades significantly under domain shift. Together, these results demonstrate the practical utility of combining inductive FSL methods with lightweight CNN backbones and highlight the importance of domain robustness for reliable real-world clinical deployment.
Abstract（参考訳）: 疾患分類における畳み込みニューラルネットワーク(CNN)の性能は高いが、その有効性は大きな注釈付きデータセットへのアクセスに依存することが多い。この制限を克服するために,モンキーポックスとポックス様皮膚疾患認識のための軽量で非パラメトリックなインダクティブ分類器であるSimpleShotを用いた数ショット学習(FSL)フレームワークを提案する。提案したパイプラインは、凍結したCNNバックボーンを介して皮膚病変の画像を通過して特徴埋め込みを取得し、その後、正規化された埋め込み空間における最も近いセントロイド比較を用いてSimpleShotを介して分類される。我々は,CNNバックボーンを一貫した実験条件下で,特徴抽出器として広く使用されている6種類のCNNバックボーンを系統的にベンチマークし,公正な比較を可能にした。公開されている3つのデータセット(MSLD v1.0、MSID、MSLD v2.0)の実験は、2-way、4-way、6-wayタスクに1-shot、5-shot、10-shot設定で実施された。すべてのモデルの中で、MobileNetV2_100は一貫して最高精度を達成している。さらに,モンキーポックス分類のクロスデータセット評価を行い,Mpox-vs-Othersのバイナリ転送は比較的安定であり,マルチクラス性能はドメインシフト下で著しく低下することを示した。これらの結果は, インダクティブFSL法と軽量CNNバックボーンを組み合わせた実用的有用性を示し, 信頼性の高い実世界の臨床展開におけるドメインロバスト性の重要性を強調した。

関連論文リスト

AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification [45.52399819498234]
本研究は、細粒度作物病分類のための3つのモデルパラダイムの体系的比較を示す。我々は16の作物と41の病気にまたがる111kの画像を含むベンチマークであるAgriPath-LF16を紹介する。 CNNは画像の精度が最も高いが、ドメインシフトによって劣化する。対照的なVLMは、競合するクロスドメイン性能を持つ堅牢でパラメータ効率の良い代替手段を提供する。
論文参考訳（メタデータ） (2026-03-08T17:28:01Z)
Taylor-Series Expanded Kolmogorov-Arnold Network for Medical Imaging Classification [0.0]
本研究は,限られた多様なデータセットを用いた正確な医用画像分類のためのKAN(Kolmogorov-Arnold Networks)を紹介する。モデルはSBTAYLOR-KAN、B-splinesとTaylorシリーズの統合、SBRBF-KAN、Morletウェーブレット変換にB-splinesを埋め込むSBWAVELET-KANである。脳MRI,胸部X線,結核X線,皮膚病変画像を前処理なしで評価した。
論文参考訳（メタデータ） (2025-09-17T04:33:54Z)
Fracture Detection In X-rays Using Custom Convolutional Neural Network (CNN) And Transfer Learning Models [0.0]
骨骨折は、しばしば痛み、モビリティの低下、生産性の低下をもたらす、世界的な健康上の大きな課題となる。従来の撮像法は、高コスト、放射線暴露、特殊解釈への依存に悩まされている。我々は、カスタム畳み込みニューラルネットワーク(CNN)を用いたX線画像の自動破壊検出のためのAIベースのソリューションを開発した。
論文参考訳（メタデータ） (2025-09-07T22:30:25Z)
An empirical study for the early detection of Mpox from skin lesion images using pretrained CNN models leveraging XAI technique [0.471858286267785]
Mpox(ムポックス)は、Mpoxウイルスによって引き起こされる動物性疾患で、他の皮膚疾患と類似点がある。本研究の目的は,サルポックスの早期検出における事前学習CNNモデルの有効性を評価することである。また、Grad-CAMとXAI技術を使ってモデルの解釈可能性を向上させることを目指している。
論文参考訳（メタデータ） (2025-07-21T17:30:08Z)
Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。 UE識別のための反復フィルタリング手法を提案する。
論文参考訳（メタデータ） (2024-08-15T13:26:13Z)
The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
論文参考訳（メタデータ） (2023-09-13T10:40:41Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Building Flyweight FLIM-based CNNs with Adaptive Decoding for Object Detection [40.97322222472642]
本研究では、ユーザ描画マーカーからオブジェクトを検出するために、畳み込みニューラルネットワーク(CNN)層を構築する方法を提案する。糞便サンプルの顕微鏡画像におけるSchistosomiasis mansoni卵の検出と,衛星画像における船舶の検出に対処する。我々のCNNは、SOTAオブジェクト検出器より数千倍も小さく、CPU実行に適している。
論文参考訳（メタデータ） (2023-06-26T16:48:20Z)
A Light-weight CNN Model for Efficient Parkinson's Disease Diagnostics [1.382077805849933]
提案モデルは,時系列信号の特性を適応させるために,畳み込みニューラルネットワーク(CNN)から短期記憶(LSTM)へと変換される。実験結果から,提案モデルでは,パラメータや操作がはるかに少ない複数の評価指標に対して,高品質な診断結果が得られることがわかった。
論文参考訳（メタデータ） (2023-02-02T09:49:07Z)
Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
論文参考訳（メタデータ） (2022-08-17T09:07:45Z)
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)
VoxelHop: Successive Subspace Learning for ALS Disease Classification Using Structural MRI [30.469124322749828]
Amyotrophic Lateral Sclerosis (ALS) の正確な分類のためのサブスペース学習モデルである VoxelHop を提案する。一般的な畳み込みニューラルネットワーク(CNN)アーキテクチャと比較して、VoxelHopはモジュール構造と透過構造を持ち、バックプロパゲーションなしではパラメータが少ない。我々のフレームワークは、異なる画像モダリティを用いて、他の分類タスクに容易に一般化できる。
論文参考訳（メタデータ） (2021-01-13T15:25:57Z)

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。