論文の概要: Toward Optimal Adenovirus Detection Using YOLO26

• arxiv url: http://arxiv.org/abs/2607.17799v2
• Date: Mon, 27 Jul 2026 14:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 14:56:46.848705
• Title: Toward Optimal Adenovirus Detection Using YOLO26
• Title（参考訳）: YOLO26を用いたアデノウイルスの最適検出に向けて
• Abstract要約: 本研究は、TEM画像におけるアデノウイルス検出の最も効果的なセットアップを決定するために、ベースラインのYOLO26モデルサイズバリエーション間で異なるデータ拡張設定を体系的にベンチマークする。 改良されたYOLO26モデルはP2、拡張STAL、トレック、MusGDを併用し、同じベンチマーク設定でテストされた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study systematically benchmarks different data augmentation setups across the baseline YOLO26 model size variants to determine the most effective setup for adenovirus detection in TEM images. The benchmarked setups include NAS, GAS, GMAS, and DAS, all evaluated under identical training conditions. A modified YOLO26 model leveraging P2, expanded STAL, increased topk, and MuSGD was also tested across the same benchmarked setups. The adenovirus dataset, selected from the published TEM virus dataset, was re-annotated by leveraging adenovirus particle positions to generate YOLO-compatible bounding box annotations. The modifications produced their largest performance gains under GAS and GMAS, with modified YOLO26x trained using GAS achieving a mAP@50 of 0.80, Precision of 0.81 and a Recall of 0.80
• Abstract（参考訳）: 本研究は、TEM画像におけるアデノウイルス検出の最も効果的なセットアップを決定するために、ベースラインのYOLO26モデルサイズバリエーション間で異なるデータ拡張設定を体系的にベンチマークする。 ベンチマークされたセットアップには、NAS、GAS、GMAS、DASが含まれており、すべて同じトレーニング条件下で評価されている。 改良されたYOLO26モデルではP2、拡張STAL、ストローク、MuSGDが同じベンチマーク設定でテストされた。 公開されたTEMウイルスデータセットから選択されたアデノウイルスデータセットは、アデノウイルス粒子の位置を利用してYOLO互換のバウンディングボックスアノテーションを生成することで再アノテーションされた。 改良されたYOLO26xはGASでトレーニングされ、mAP@50は0.80、精度は0.81、リコールは0.80となった。

関連論文リスト

• ViroGym: Realistic Large-Scale Benchmarks for Evaluating Viral Proteins [19.053135993322897]
  ViroGymはウイルスタンパク質の変異効果予測を評価するために設計された包括的なベンチマークである。 552,937変異アミノ酸配列を含むウイルスを包含する79種類の深部突然変異スキャン法(DMS)を施行した。 本研究は, フィットネスランドスケープ, 抗原多様性, パンデミック予測について, 確立されたpLMをベンチマークし, ワクチン選択の枠組みを提供する。
  論文  参考訳（メタデータ） (2026-03-06T08:38:43Z)
• Do Generative Metrics Predict YOLO Performance? An Evaluation Across Models, Augmentation Ratios, and Dataset Complexity [43.338311770275745]
  本報告では, YOLOv11の合成増強の制御された評価法について述べる。 実際のトレーニングスプリットの10%から150%の増大率に対して, GAN, 拡散, ハイブリッドベースの6つのジェネレータをベンチマークした。 データセット生成/拡張設定毎に、マッチしたサイズのブートストラッププロトコルで事前トレーニングデータセットメトリクスを計算する。
  論文  参考訳（メタデータ） (2026-02-20T03:02:36Z)
• DAONet-YOLOv8: An Occlusion-Aware Dual-Attention Network for Tea Leaf Pest and Disease Detection [2.661320179262946]
  本報告では,茶葉害虫や病原体を正確に検出するための3つの改良点を有するYOLOv8変異体を提案する。 既存のNet-YOLOv8は92.97%の精度、92.80%のリコール、97.10%のmAP@50、76.90%のmAP@50:95を達成し、YOLOv8nベースラインをそれぞれ2.34、4.68、1.40、および1.80ポイント上回っている。
  論文  参考訳（メタデータ） (2025-11-28T14:28:30Z)
• GastroViT: A Vision Transformer Based Ensemble Learning Approach for Gastrointestinal Disease Classification with Grad CAM & SHAP Visualization [6.752543644823974]
  本稿では,GIトラクターの内視鏡像を正確に分類するために,事前訓練された視覚変換器(ViT)のアンサンブルを提案する。 注目に基づくニューラルネットワークであるViTは、トランスフォーマーアーキテクチャの変換パワーを活用することで、画像認識に革命をもたらした。 提案モデルは,23種類のGI疾患の画像10,662枚を用いて,公開されているHyperKvasirデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2025-09-30T16:44:41Z)
• Comprehensive Benchmarking of YOLOv11 Architectures for Scalable and Granular Peripheral Blood Cell Detection [7.1318006858231975]
  手動末梢血スミア(PBS)分析は、労働集約的で主観的である。 ディープラーニングは有望な代替手段を提供するが、細粒度PBS検出のためのYOLOv11のような技術モデルの体系的な評価はいまだに不足している。 12種類の末梢血細胞クラスに16,891枚の画像とレッド血細胞クラスを含む大規模なアノテートされた血液細胞検出分類データセットを収集し,対象検出タスクに慎重にアノテートした。 このデータセットには合計で298,850個の注釈付き細胞が含まれている。
  論文  参考訳（メタデータ） (2025-09-29T11:00:19Z)
• Detection of Endangered Deer Species Using UAV Imagery: A Comparative Study Between Efficient Deep Learning Approaches [1.130790932059036]
  本研究では,UAV画像における湿地シカ検出のための最先端ニューラルネットワークの性能を比較した。 我々は、データセットに正確なセグメンテーションマスクを追加し、セグメンテーションヘッドを含むYOLOモデルのきめ細かいトレーニングを可能にした。
  論文  参考訳（メタデータ） (2025-05-30T18:45:42Z)
• Addressing Label Shift in Distributed Learning via Entropy Regularization [45.25670338948615]
  マルチノード分散学習における真のリスクを最小限に抑えるという課題に対処する。 本稿では,テスト・ツー・トレインのラベル密度比の最大推定量を向上させるVersatile Robust Label Shift (VRLS)法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T18:14:27Z)
• Quantity versus Diversity: Influence of Data on Detecting EEG Pathology with Advanced ML Models [0.0]
  本研究では,脳波の一般的な病態を検出するための各種機械学習モデルの性能に及ぼすデータ量と多様性の影響について検討した。 我々は、テンプル大学病院の2,993件の脳波データと、Elmiko Biosignals sp. z o.oの55,787件の脳波データを利用する。 以上の結果から,小規模で一貫したデータセットにより,広範囲のモデルで高い精度を達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-11-13T16:15:48Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• Phikon-v2, A large and public feature extractor for biomarker prediction [42.52549987351643]
  我々は、DINOv2を用いて視覚変換器を訓練し、このモデルの1つのイテレーションを公開して、Phikon-v2と呼ばれるさらなる実験を行う。 Phikon-v2は、公開されている組織学のスライドをトレーニングしながら、以前リリースしたモデル(Phikon)を上回り、プロプライエタリなデータでトレーニングされた他の病理学基盤モデル(FM)と同等に動作します。
  論文  参考訳（メタデータ） (2024-09-13T20:12:29Z)
• Fall Detection for Industrial Setups Using YOLOv8 Variants [0.0]
  25.9百万のパラメータと79.1のGFLOPからなるYOLOv8mモデルでは、計算効率と検出性能のバランスが良好であった。 YOLOv8l と YOLOv8x モデルでは精度とリコールが向上したが、その高い計算要求とモデルサイズによりリソース制約のある環境には適さない。
  論文  参考訳（メタデータ） (2024-08-08T17:24:54Z)
• Machine Learning-Based Analysis of Ebola Virus' Impact on Gene Expression in Nonhuman Primates [3.842863644161241]
  本研究では,エボラウイルス (EBOV) に感染した非ヒト霊長類 (NHP) から得られた遺伝子発現データを解析するために,機械学習に基づく手法である Supervised Magnitude-Altitude Scoring (SMAS) 手法を提案する。 我々は,エボラ感染NHPのNanoString遺伝子発現プロファイルの包括的データセットを用いて,宿主-病原体間相互作用解析のためのSMASシステムをデプロイした。 IFI6とIFI27を重要なバイオマーカーとして同定し、100%精度で例外的な予測性能を示し、AUC(Area Under the Curve)測定値を用いて様々な段階の分類を行った。
  論文  参考訳（メタデータ） (2024-01-16T18:31:23Z)
• EEG-Fest: Few-shot based Attention Network for Driver's Vigilance Estimation with EEG Signals [160.57870373052577]
  運転士の警戒の欠如は、ほとんどの車両事故の主な原因である。 EEGはドライバーの眠気推定のための信頼性と効率的なツールである。
  論文  参考訳（メタデータ） (2022-11-07T21:35:08Z)
• Benchmarking Machine Learning Robustness in Covid-19 Genome Sequence Classification [109.81283748940696]
  我々は、IlluminaやPacBioといった一般的なシークエンシングプラットフォームのエラープロファイルを模倣するために、SARS-CoV-2ゲノム配列を摂動する方法をいくつか紹介する。 シミュレーションに基づくいくつかのアプローチは、入力シーケンスに対する特定の敵攻撃に対する特定の埋め込み手法に対して、他の手法よりも堅牢(かつ正確)であることを示す。
  論文  参考訳（メタデータ） (2022-07-18T19:16:56Z)
• A k-mer Based Approach for SARS-CoV-2 Variant Identification [55.78588835407174]
  アミノ酸の順序を保つことで,分類器の精度が向上することを示す。 また,アメリカ疾病予防管理センター(CDC)が報告した,変異の同定に重要な役割を担っているアミノ酸の重要性も示した。
  論文  参考訳（メタデータ） (2021-08-07T15:08:15Z)
• CovidDeep: SARS-CoV-2/COVID-19 Test Based on Wearable Medical Sensors and Efficient Neural Networks [51.589769497681175]
  新型コロナウイルス(SARS-CoV-2)がパンデミックを引き起こしている。 SARS-CoV-2の逆転写-ポリメラーゼ連鎖反応に基づく現在の試験体制は、試験要求に追いついていない。 我々は,効率的なDNNと市販のWMSを組み合わせたCovidDeepというフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-20T21:47:28Z)
• Predictive Modeling of ICU Healthcare-Associated Infections from Imbalanced Data. Using Ensembles and a Clustering-Based Undersampling Approach [55.41644538483948]
  本研究は,集中治療室における危険因子の同定と医療関連感染症の予測に焦点をあてる。 感染発生率の低減に向けた意思決定を支援することを目的とする。
  論文  参考訳（メタデータ） (2020-05-07T16:13:12Z)

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。