論文の概要: DS@GT ARC at ImageCLEFmedical 2026: Architectural Diversity for Concept Detection and Foundation-Model Scaling for Caption Prediction in Medical Image Analysis

• arxiv url: http://arxiv.org/abs/2607.27763v1
• Date: Thu, 30 Jul 2026 07:01:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-31 21:37:00.427948
• Title: DS@GT ARC at ImageCLEFmedical 2026: Architectural Diversity for Concept Detection and Foundation-Model Scaling for Caption Prediction in Medical Image Analysis
• Title（参考訳）: DS@GT ARC at ImageCLEFmedical 2026:Architectural Diversity for Concept Detection and Foundation-Model Scaling for Caption Prediction in Medical Image Analysis
• Abstract要約: ImageCLEFmedical Caption 2026 ChallengeへのDS@GTの提出について説明する。 この課題は、ROCOv2データセット上で長時間実行されるベンチマークを継続する。 タスク1では,ConvNeXt-V2,BiomedCLIP ViT-B/16,DenseNet-169の3方向の遅延核融合を行った。 Task 2には、微調整されたGemma-3 27Bモデル、完全に微調整されたBLIPパイプライン、PubMedスタイルのプロンプトによるゼロショット実行が含まれました。
• 参考スコア（独自算出の注目度）: 12.394212903842579
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We describe the DS@GT submissions to the ImageCLEFmedical Caption 2026 challenge, which continues a long-running benchmark on the ROCOv2 dataset with two tracks: Concept Detection (Task 1), assigning UMLS Concept Unique Identifiers (CUIs) to radiology images, and Caption Prediction (Task 2), generating natural-language captions. For Task 1, our primary submission was a three-way late-fusion ensemble of ConvNeXt-V2, BiomedCLIP ViT-B/16, and DenseNet-169 with a regularized ''Honest Threshold Tuning'' procedure designed to avoid validation overfitting on rare concepts; this submission ranked first on the official submission with a primary $F_1$ of $0.5790$ and a secondary $F_1$ of $0.9657$. In parallel, we submitted a training-free KNN retrieval pipeline over frozen BiomedCLIP embeddings, which reached a primary $F_1$ of $0.5780$ and a secondary $F_1$ of $0.9599$-essentially matching the fine-tuned ensemble on the primary track at a fraction of the cost. For Task 2, our submissions included a fine-tuned Gemma-3 27B model (overall $0.3571$, ranking third in the official submission), a fully fine-tuned BLIP pipeline with custom Vizwins merging ($0.3564$), and a zero-shot MedGemma-4B run with a PubMed-style prompt ($0.3186$), spanning a wide range of model scales and training costs. Code: https://github.com/dsgt-arc/imageclef-caption-2026.
• Abstract（参考訳）: ImageCLEFmedical Caption 2026では,概念検出(Task 1),UMLS概念固有識別器(CUI)のラジオグラフィ画像への割り当て,キャプション予測(Task2),自然言語キャプション生成の2つのトラックで,ROCOv2データセットの長時間実行ベンチマークを継続する。 Task 1では、最初の提出は、ConvNeXt-V2、BiomedCLIP ViT-B/16、DenseNet-169の3方向のラストフュージョンアンサンブルで、レアな概念に過度に適合する検証を避けるために、正規化された'Honest Threshold Tuning'プロシージャを使用していました。 並行して、凍結したBiomedCLIP埋め込みにトレーニング不要なKNN検索パイプラインを提出し、プライマリな$F_1$$0.5780$、セカンダリな$F_1$$0.9599$-essentiallyにプライマリなトラック上の微調整アンサンブルをわずかなコストでマッチングした。 Task 2では、微調整されたGemma-3 27Bモデル(オフィシャルサブミッションで0.3571ドル、ランキング3位)、カスタムのVizwinsがマージする完全な微調整されたBLIPパイプライン(0.3564ドル)、PubMedスタイルのプロンプト(0.3186ドル)で実行するゼロショットのMedGemma-4B(0.3186ドル)が含まれました。 コード:https://github.com/dsgt-arc/imageclef-caption-2026。

関連論文リスト

• OmniMed-FL: A Robust Multimodal Federated Learning Framework for Clinical Diagnosis [17.411567668075577]
  OmniMed-FLは,5段階の臨床条件分類のためのマルチモーダル学習の制御システムである。 本研究のプロキシコーパスでは, 患者ではなくクラス別に, 3000の公衆胸部X線写真と3,000のクラスFOLD合成ノートを照合した。 すべてのノートは合成され、ペアリングは患者レベルではないため、これらは記述的なプロキシ比較であり、診断性能やデプロイメントの準備ができていない。
  論文  参考訳（メタデータ） (2026-09-09T15:56:26Z)
• Text-Guided Refinement of Multi-sequence Glioma Subregion Segmentation with a Vision-Language Foundation Model [5.368430154049423]
  3次元視覚言語基礎モデルでは、グリオーマ部分領域分割の指示誘導による洗練を行うことができる。 正しい、空白、矛盾するプロンプトに対する感度は、非特異的な後処理よりもテキスト依存の輪郭編集を示唆している。
  論文  参考訳（メタデータ） (2026-08-05T20:17:02Z)
• DS@GT ARC at MEDIQA-CORE-Task-1 2026: Trimodal Model Fusion with Task-Specific Gates for Brain Tumor Subtype Classification [0.0]
  本稿では、ImageCLEFmed MEDIQA-2026 Task1, Brain tumor Subtype Classificationに対するDS@GT ARCチームの研究について詳述する。 この課題は、レベル1分子タイプ、LGG対HGG、WHOグレードの3つのグリオーマ分類問題を評価する。 術前MRI(NeuroVFM)とProv-GigaPath(Prov-GigaPath)の埋め込みと自由テキスト放射線検査を併用した。 我々は,完全マルチモーダル条件下で0.801の平均マクロF1を達成し,オーガナイザのベースライン0.796を超え,検証をパスしたチームの中で第2位となる。
  論文  参考訳（メタデータ） (2026-07-30T04:25:20Z)
• Concurrent Image Understanding and Generation: Self-Correcting Coupled Markov Jump Processes [70.61868608402723]
  我々は$textbfSelf-Correcting Coupled Markov Jump Processes (SC-CMJP)を紹介する。 SC-CMJPと組み合わせて、共同マルチモーダルジェネレーションのための新しいトレーニングフリーシングルパスサンプリングであるtextttCO_texttt2textttJump$を紹介する。 トレーニングと評価のために,我々は3つの大規模ジョイントマルチモーダル生成コーパスを作成し,リリースする。
  論文  参考訳（メタデータ） (2026-07-14T18:39:29Z)
• Arena-T2I Hard: Benchmarking and Improving Faithfulness with Dependency-Aware Checklist [69.81453995715673]
  既存の忠実度ベンチマークは単純な原子命令に依存している。 本稿では,実アリーナT2Iログから抽出した310プロンプトの応力ベンチマークであるArena-T2I Hardを紹介する。 本稿では,各プロンプトをイエス/ノー質問のDAGに分解し,失敗する両親の子孫をゼロにする依存性対応チェックリスト報酬を提案する。
  論文  参考訳（メタデータ） (2026-06-30T14:17:05Z)
• RiT: Vanilla Diffusion Transformers Suffice in Representation Space [12.711808725422108]
  x$prediction とのフローマッチングは、ピクセル空間 citeli2025back において、低次元多様体構造を効果的に活用することが知られている。 事前学習された表現空間は、本質的な次元に匹敵する低次元データ多様体を含むが、フローマッチング学習に好適な分布を提供するかどうかを問う。
  論文  参考訳（メタデータ） (2026-05-21T04:21:43Z)
• What Do EEG Foundation Models Capture from Human Brain Signals? [64.48249643001402]
  現代の脳波基礎モデルは、自己教師付き事前訓練を通じて生信号から直接学習する。 我々は3つのサブクエストに分解する: モデルが何を学習するか、モデルを何に使用するのか、そしてどのように説明できるのか。 3つの基礎モデル(CSBrain, CBraMod, LaBraM),5つの臨床タスク(MDD, Stress, ISRUC-Sleep, TUSL, Siena)と6ファミリー63機能レキシコンを含む。
  論文  参考訳（メタデータ） (2026-05-12T01:57:53Z)
• Beyond Model Design: Data-Centric Training and Self-Ensemble for Gaussian Color Image Denoising [7.344881114730842]
  NTIRE 2026 Image Denoising Challenge (ガウス色画像の固定ノイズレベル$=50$でのデノイング)の解法について述べる。 成熟したRestormerアーキテクチャのパフォーマンス境界を、より強力なデータ中心のトレーニングと、より完全なTest-Time機能リリースという2つの相補的な方向から見直す。 100枚の画像の挑戦検証セットでは,30.762 dB PSNRと0.861 SSIMを達成し,公開Restormer $!=50$事前トレーニングベースラインを最大3.366 dB PSNRで改善した。
  論文  参考訳（メタデータ） (2026-04-13T13:42:13Z)
• OrthoAI v2: From Single-Agent Segmentation to Dual-Agent Treatment Planning for Clear Aligners [0.0]
  私たちは、AI支援矯正治療計画のためのオープンソースのパイプラインの2番目のイテレーションであるOrthoAI v2を紹介します。 v2は3つの主要な貢献を通じて 3つの制限に対処します 200のクラウドシナリオの合成ベンチマークで、OrthoAI v2の並列アンサンブルは、計画品質スコアが92.8 pm 4.1$対76.4 pm 8.3$に達し、OrthoAI v1は+21%$相対的ゲインとなり、完全なCPUデプロイ可能性(4.2 pm 0.8$s)を維持した。
  論文  参考訳（メタデータ） (2026-03-10T13:03:44Z)
• SDUM: A Scalable Deep Unrolled Model for Universal MRI Reconstruction [12.71974212207688]
  Scalable Deep Unrolled Model (SDUM) は、Restormerベースの再構成器と学習されたコイル感度マップ推定器を組み合わせた普遍的なフレームワークである。 不均一なデータに基づいてトレーニングされた単一のSDUMは、4つのCMRxRecon2025課題すべてに対して最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-12-19T00:09:32Z)
• $β$-CLIP: Text-Conditioned Contrastive Learning for Multi-Granular Vision-Language Alignment [53.42377319350806]
  $-CLIPは、多言語テキスト条件のコントラスト学習フレームワークである。 $-CALは、この階層に固有のセマンティックオーバーラップに対処する。 $-CLIPは、高密度視覚言語対応のための堅牢で適応的なベースラインを確立する。
  論文  参考訳（メタデータ） (2025-12-14T13:03:20Z)
• Regional Attention-Enhanced Swin Transformer for Clinically Relevant Medical Image Captioning [4.754208048304996]
  軽量な地域アテンションモジュールを備えたSwin-BARTエンコーダデコーダシステムを提案する。 我々のモデルは、コンパクトで解釈可能なまま、最先端のセマンティック忠実性を達成する。 提案した設計は、正確な、臨床的に言い換えられたキャプションと透明な地域属性をもたらす。
  論文  参考訳（メタデータ） (2025-11-13T02:55:32Z)
• Representation Entanglement for Generation: Training Diffusion Transformers Is Much Easier Than You Think [63.25744258438214]
  REPAとその変種は、事前訓練されたモデルから外部の視覚表現を取り入れることで、拡散モデルのトレーニング課題を効果的に軽減する。 偏見推論過程全体において欠落している外部アライメントは、識別的表現の可能性を完全に活用するに足らないと我々は主張する。 本稿では,事前学習した基礎モデルから,低レベル画像ラテントを1つの高レベルクラストークンで絡み合わせるRepresentation Entanglement for Generation (REG)を提案する。
  論文  参考訳（メタデータ） (2025-07-02T08:29:18Z)
• Diffusion Models Need Visual Priors for Image Generation [86.92260591389818]
  Diffusion on Diffusion (DoD)は、先述したサンプルから視覚的先行情報を抽出し、拡散モデルのための豊富なガイダンスを提供する革新的な多段階生成フレームワークである。 我々は、人気のあるImageNet-$256 256$データセット上でDoDを評価し、SiTやDiTと比較して7$times$トレーニングコストを削減した。 私たちの最大のモデルであるDoD-XLは、FID-50Kスコアが1.83で、100万のトレーニングステップしか達成していません。
  論文  参考訳（メタデータ） (2024-10-11T05:03:56Z)
• Expressive Losses for Verified Robustness via Convex Combinations [67.54357965665676]
  本研究では, 過近似係数と異なる表現的損失に対する性能分布の関係について検討した。 表現性が不可欠である一方で、最悪の場合の損失のより良い近似は、必ずしも優れた堅牢性-正確性トレードオフに結びついていないことを示す。
  論文  参考訳（メタデータ） (2023-05-23T12:20:29Z)

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。