Fugu-MT 論文翻訳(概要): Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification

論文の概要: Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification

arxiv url: http://arxiv.org/abs/2609.23832v1
Date: Sun, 20 Sep 2026 19:30:51 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-22 20:29:01.006436
Title: Comparative Performance and Parameter-Efficient Adaptation of DINOv2 for Active Trachoma Classification
Title（参考訳）: アクティブトラコマ分類におけるDINOv2の性能比較とパラメータ適応
Abstract要約: 本研究では, UCSF/Lietmanコレクションから得られた1,546枚の画像を用いて, Trachomatous Inflammation-Follicular (TF) のバイナリ分類の制御評価を行った。 DINOv2 ViT-B/14に対する4つの軽量適応機構の評価を行った。 DINOv2とECAは91.66 +/-0.97%の精度、90.69 +/- 1.10%のマクロF1、96.06 +/- 0.71%のAUCを得た。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automated grading of conjunctival photographs could reduce the cost and variability of trachoma prevalence surveys, but the relative value of modern pretrained visual representations, lightweight feature adaptation, and training-objective design has not been established under a common protocol. This study presents a controlled evaluation for binary classification of Trachomatous Inflammation-Follicular (TF) versus Normal using 1,546 images from the public UCSF/Lietman collection. Images are processed using the OPTED pipeline for zero-shot tarsal-conjunctiva segmentation, alignment, cropping, and standardization. We first compare six pretrained backbones using a common classification pipeline and then evaluate four lightweight adaptation mechanisms on DINOv2 ViT-B/14. Under stratified five-fold cross-validation, DINOv2 with Efficient Channel Attention (ECA) and focal-plus-center loss achieved 91.66 +/- 0.97% accuracy, 90.69 +/- 1.10% macro-F1, and 96.06 +/- 0.71% AUC. ECA introduces only five learnable parameters while matching the performance of substantially larger alternatives. Objective ablation further showed that ECA did not consistently improve plain DINOv2 across loss functions; the lowest-variance 91.66% accuracy was obtained with cross-entropy plus center loss. Overall, the fine-tuned DINOv2 representation provided most of the predictive performance, while ECA offered a highly parameter-efficient refinement whose effect depended on the training objective. The resulting workflow provides a reproducible benchmark for active trachoma image classification.
Abstract（参考訳）: 結膜写真の自動階調化はトラコマ有病率調査のコストと変動性を低下させる可能性があるが、現代の事前訓練された視覚表現、軽量な特徴適応、訓練対象デザインの相対的価値は共通のプロトコルでは確立されていない。本研究では, UCSF/Lietmanコレクションから得られた1,546枚の画像を用いて, Trachomatous Inflammation-Follicular (TF) のバイナリ分類の制御評価を行った。画像はOPTEDパイプラインを使用して処理され、ゼロショットのタルサル結節セグメンテーション、アライメント、収穫、標準化を行う。 DINOv2 ViT-B/14に対する4つの軽量適応機構の評価を行った。層状5倍のクロスバリデーションの下では、DINOv2は効率の良いチャネル注意(ECA)と焦点+中心損失の91.66 +/- 0.97%の精度、90.69 +/- 1.10%のマクロF1、96.06 +/- 0.71%のAUCを得た。 ECAは5つの学習可能なパラメータのみを導入し、さらに大きな代替案のパフォーマンスにマッチする。目的的アブレーションにより,ECAは損失関数全体のDINOv2を一定に改善せず,低分散91.66%の精度がクロスエントロピーとセンターロスで得られた。全体として、細調整されたDINOv2表現は予測性能のほとんどを提供し、ECAは訓練目標に依存する非常にパラメータ効率の良い改善を提供した。結果として得られるワークフローは、アクティブなトラコマ画像分類のための再現可能なベンチマークを提供する。

関連論文リスト

Complementary Roles of Image Classification and Vessel Segmentation in AI-Based Screening for Retinopathy of Prematurity Plus Disease in a Kenyan Preterm Cohort [0.0]
未熟児網膜症(ROP)は小児期失明の予防可能な原因である。網膜血管拡張とトルトゥシティーを特徴とするプラス疾患は治療を誘発するが、主観的かつ変動的である。自動スクリーニングは専門家の範囲を広げる可能性があるが、アフリカ人の証拠は限られている。
論文参考訳（メタデータ） (2026-07-07T04:40:16Z)
Two-Stage Fine-Tuning of ResNet50 for High-Sensitivity Melanoma Detection on Dermoscopic Images [0.0]
メラノーマは5年生存率99%を超える最も危険な皮膚癌である。本稿では,2次メラノーマ分類に応用したResNet50の2段階微調整手法の提案と評価を行う。
論文参考訳（メタデータ） (2026-06-11T15:15:45Z)
Automated Classification of First-Trimester Fetal Heart Views Using Ultrasound-Specific Self-Supervised Learning [0.205246094017924]
本研究は,第1トリメスター胎児心電図分類のための自己監督型超音波基礎モデルUSF-MAEの評価である。 USF-MAEは、370,000枚以上の未標識超音波画像のマスク付き自己符号化モデルを用いて事前訓練される。全評価指標で最高性能を達成し、90.57%の精度、91.15%の精度、90.57%のリコール、90.71%のF1スコアを記録した。
論文参考訳（メタデータ） (2025-12-30T22:24:26Z)
The LUMirage: An independent evaluation of zero-shot performance in the LUMIR challenge [20.35907245543535]
LUMIRチャレンジは、大規模なニューロイメージングデータ上での変形可能な画像登録方法を評価するための重要なベンチマークである。この課題は、現代のディープラーニング手法が、T1強調MRI上での競合精度を実現することを実証する一方で、目に見えないコントラストや解像度に対する例外的なゼロショットの一般化も主張している。我々は、厳密な評価プロトコルを用いて、これらのゼロショットクレームを独立に再評価し、インスツルメンテーションバイアスの潜在的な原因に対処する。
論文参考訳（メタデータ） (2025-12-17T14:48:01Z)
Normal and Atypical Mitosis Image Classifier using Efficient Vision Transformer [0.5536078880492113]
EfficientViT-L2を用いたMIDOG 2025チャレンジにおける非定型対正常ミトーシス分類に取り組む。 7種類の癌から13,938個の核を集積したデータセットを用い,非定型的なミトースを15。このモデルは、0.859、ROC AUC 0.942、生の0.85の精度を達成し、メトリクス間の競争力とバランスの取れた性能を実証した。
論文参考訳（メタデータ） (2025-08-28T23:45:06Z)
Evolution-aware VAriance (EVA) Coreset Selection for Medical Image Classification [37.57407966808067]
進化対応可変(EVA)と呼ばれる新しいコアセット選択戦略を提案する。 EVAは10%のトレーニングデータで98.27%の精度を達成しているが、完全なトレーニングセットでは97.20%である。
論文参考訳（メタデータ） (2024-06-09T07:22:50Z)
Adaptive Feature Selection for No-Reference Image Quality Assessment by Mitigating Semantic Noise Sensitivity [55.399230250413986]
上流タスクから有害なセマンティックノイズを除去するためのQFM-IQM(Quality-Aware Feature Matching IQA Metric)を提案する。提案手法は,8つの標準IQAデータセット上での最先端NR-IQA法よりも優れた性能を実現する。
論文参考訳（メタデータ） (2023-12-11T06:50:27Z)
Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文参考訳（メタデータ） (2023-06-23T07:38:09Z)
(Certified!!) Adversarial Robustness for Free! [116.6052628829344]
逆方向の摂動が0.5の2ノルム以内であることに制約された場合,ImageNetでは71%の精度が証明された。これらの結果は,モデルパラメータの微調整や再学習を必要とせず,事前学習した拡散モデルと画像分類器のみを用いて得られる。
論文参考訳（メタデータ） (2022-06-21T17:27:27Z)
Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文参考訳（メタデータ） (2021-08-07T10:12:42Z)
Semi-supervised Contrastive Learning with Similarity Co-calibration [72.38187308270135]
SsCL(Semi-supervised Contrastive Learning)と呼ばれる新しいトレーニング戦略を提案する。 ssclは、自己教師付き学習におけるよく知られたコントラスト損失と、半教師付き学習におけるクロスエントロピー損失を組み合わせる。 SsCLはより差別的な表現を生じさせ,ショット学習に有益であることを示す。
論文参考訳（メタデータ） (2021-05-16T09:13:56Z)

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。