論文の概要: An Attention-Guided Global and Local Fusion Framework for Lesion-Focused Image Classification

• arxiv url: http://arxiv.org/abs/2609.04791v1
• Date: Fri, 04 Sep 2026 06:36:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.935929
• Title: An Attention-Guided Global and Local Fusion Framework for Lesion-Focused Image Classification
• Title（参考訳）: 病変焦点画像分類のための注意ガイド付きグローバル・ローカル融合フレームワーク
• Abstract要約: 本研究では,大域的文脈情報と病変に焦点を絞った局所情報の適応的融合により分類性能が向上する可能性が示唆された。 本稿では,特徴属性,解釈可能性,分類信頼性を改善するために,三分岐型,注意誘導型ディープラーニングフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Lesion-focused image classification presents a core analytical challenge, as discriminative signals are often sparse, spatially dispersed, and easily obscured by background noise, while conventional convolutional neural networks (CNNs) process entire images uniformly and may dilute signal relevance. This study hypothesizes that adaptive fusion of global contextual information and lesion-focused local information can improve classification performance compared with using either representation independently. We propose a three-branch, attention-guided deep learning framework built on Densely Connected Convolutional Network-121 (DenseNet-121) to improve feature attribution, interpretability, and classification reliability. The architecture consists of a global branch that learns representations from full images, followed by Gradient-weighted Class Activation Mapping (Grad-CAM) to generate attention maps that highlight prediction-relevant regions and produce masked inputs, and a local branch enhanced with a Convolutional Block Attention Module (CBAM) to extract refined spatial and channel-wise features from these focused regions. An adaptive fusion branch integrates global and local representations by learning instance-specific weights, allowing dynamic prioritization between contextual and localized information. The framework is evaluated on a synthetic Spot Pattern Dataset (SSPD) and three benchmark datasets, including skin lesion, guava leaf, and grape leaf image datasets, where the fusion branch outperformed the individual global and local branches, reaching 97.75% accuracy on the skin lesion dataset and 99.64% on the guava leaf dataset. The results highlight the value of attention-guided architectures in healthcare analytics by improving model transparency, strengthening feature relevance, and supporting more reliable data-driven decision-making in medical image analysis.
• Abstract（参考訳）: 一方、従来の畳み込みニューラルネットワーク(CNN)は画像全体を一様に処理し、信号の関連性を希薄化する。 本研究では,グローバルな文脈情報と病変に焦点を絞った局所情報の適応的融合が,いずれの表現も独立して使用する場合と比較して,分類性能を向上させることができるという仮説を立てる。 本稿では,Densely Connected Convolutional Network-121 (DenseNet-121) 上に構築された3分岐型ディープラーニングフレームワークを提案する。 アーキテクチャは、全画像から表現を学習するグローバルブランチと、予測関連領域をハイライトし、マスクされた入力を生成するアテンションマップを生成するグラディエント重み付きクラスアクティベーションマッピング(Grad-CAM)と、これらの集中領域から洗練された空間的およびチャネル的特徴を抽出する畳み込みブロック注意モジュール(CBAM)で強化されたローカルブランチで構成されている。 アダプティブ・フュージョン・ブランチ(Adaptive fusion branch)は、インスタンス固有の重み付けを学習することでグローバルおよびローカル表現を統合し、コンテキスト情報と局所情報の動的優先順位付けを可能にする。 このフレームワークは、合成スポットパターンデータセット(SSPD)と、皮膚病変、グアバの葉、ブドウの葉の画像データセットを含む3つのベンチマークデータセットで評価され、融合ブランチは個々のグローバルおよびローカルブランチより優れ、皮膚病変データセットでは97.75%、グアバの葉データセットでは99.64%に達する。 その結果、モデル透明性を改善し、機能的妥当性を高め、医用画像解析における信頼性の高いデータ駆動意思決定を支援することにより、医療分析における注意誘導アーキテクチャの価値を強調した。

関連論文リスト

• Geometry-Aware Superpixel Graph Transformer with Metadata for Skin Lesion Classification [8.142478772253932]
  既存のCNN/ViTパイプラインは、グローバルまたはパッチレベルの機能に依存しており、しばしば後期融合を通じて患者のメタデータを組み合わせる。 本稿では,空間的コヒーレントなスーパーピクセル領域のグラフとして,病変を明示的にモデル化する新しい領域ベースグラフ学習フレームワークを提案する。 本研究では,領域レベルの関係モデルとグラフネイティブなマルチモーダル融合が,最先端技術に対して一貫した利得をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-06-18T15:45:16Z)
• Efficiency Follows Global-Local Decoupling [62.05489838893081]
  ConvNeurは、軽量なニューラルメモリブランチがトークンの集合にグローバルなコンテキストを集約する2分岐アーキテクチャである。 学習ゲートは、グローバルなキューが目的を絞ることなく、局所的な特徴を調整できる。 標準的な分類、検出、セグメンテーションのベンチマークでは、ConvNeurは同等または低い計算で同等の選択肢にマッチするか、超えている。
  論文  参考訳（メタデータ） (2026-03-20T02:20:16Z)
• No-Reference Image Quality Assessment with Global-Local Progressive Integration and Semantic-Aligned Quality Transfer [6.095342999639137]
  視覚変換器(ViT)を用いたグローバル特徴抽出器と畳み込みニューラルネットワーク(CNN)を用いた局所特徴抽出器を組み合わせた二重測定フレームワークを開発した。 多様な画像コンテンツの品質スコアを主観的な意見スコアで自動的にラベル付けすることで、トレーニングデータを拡張するセマンティック・アライン・クオリティ・トランスファー手法を提案する。
  論文  参考訳（メタデータ） (2024-08-07T16:34:32Z)
• Keypoint-Augmented Self-Supervised Learning for Medical Image Segmentation with Limited Annotation [21.203307064937142]
  本稿では,短距離と長距離の両方の自己注意を保った表現を抽出するキーポイント拡張融合層を提案する。 特に,長距離空間の自己意識を学習する追加入力を組み込むことで,CNN機能マップを複数スケールで拡張する。 提案手法は,より堅牢な自己アテンションを生成することにより,既存のSSLメソッドよりも優れる。
  論文  参考訳（メタデータ） (2023-10-02T22:31:30Z)
• Adaptive Local-Component-aware Graph Convolutional Network for One-shot Skeleton-based Action Recognition [54.23513799338309]
  骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。 我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
  論文  参考訳（メタデータ） (2022-09-21T02:33:07Z)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。