Multi-View Breast Cancer Classification via Hypercomplex Neural Networks 従来、乳がん分類のための深層学習ベースの方法は、シングルビュー分析を実行します。ただし、マンモグラフィビューには相関関係が含まれているため、放射線科医はマンモグラフィ検査を構成する4つのビューすべてを同時に分析します。これは、腫瘍を特定するための重要な情報を提供します。これに照らして、いくつかの研究はマルチビュー法を提案し始めました。それにもかかわらず、そのような既存のアーキテクチャでは、マンモグラムビューは、別々の畳み込みブランチによって独立した画像として処理されるため、それらの間の相関関係が失われます。このような制限を克服するために、この論文では、パラメータ化された超複雑ニューラルネットワークに基づくマルチビュー乳がん分類のための新しいアプロ
Evaluation and Analysis of Different Aggregation and Hyperparameter Selection Methods for Federated Brain Tumor Segmentation 大規模で多様な多国籍データセットの可用性は、医用画像分野で効果的で臨床的に適用可能なAIシステムの開発に不可欠です。ただし、これらのデータセットを中央の場所にまとめてグローバルモデルを形成すると、さまざまなデータのプライバシーと所有権の問題が発生します。これらの問題を軽減するために、最近のいくつかの研究は、分散型データの分散学習アプローチである連合学習パラダイムに焦点を当てています。連合学習は、共同作業者のデータを相互に共有したり、中央サーバーに収集したりすることなく、利用可能なすべてのデータを活用します。研究によると、連合学習は、優れた一般化
SwinNet:Swin Transformerは、エッジを意識したRGB-DおよびRGB-Tの顕著なオブジェクト検出を駆動します SwinNet: Swin Transformer drives edge-aware RGB-D and RGB-T salient object detection 畳み込みニューラルネットワーク(CNN)は、特定の受容野内のコンテキスト特徴を抽出するのに優れていますが、トランスフォーマーは、グローバルな長距離依存性特徴をモデル化できます。 Swin Transformerは、トランスフォーマーのメリットとCNNのメリットを吸収することで、強力な機能表現能力を発揮します。これに基づいて、RGB-DおよびRGB-Tの顕著な物体検出のためのクロスモダリティ融合モデルSwinNetを提案します。これは、Swin Transformerによって駆動されて階層的特徴
Undoing the Damage of Label Shift for Cross-domain Semantic Segmentation 既存の作品は通常、クロスドメインセマンティックセグメンテーション(CDSS)をデータ分布の不一致の問題として扱い、周辺分布または条件付き分布の調整に重点を置いています。ただし、ラベルシフトの問題は残念ながら見落とされています。これは実際にはCDSSタスクに一般的に存在し、学習したモデルに分類子のバイアスを引き起こすことがよくあります。この論文では、詳細な分析を行い、データの条件付き分布を調整し、事後確率を修正することで、ラベルシフトの損傷を克服できることを示します。この目的のために、CDSSのラベルシフト問題の損傷を元に戻すための新しいアプローチを提案します。実装では、条件付き分布アラインメントにクラスレベルの機能アラインメントを採用するとともに
Out-Of-Distribution Detection In Unsupervised Continual Learning 教師なし継続学習は、人間の注釈を必要とせずに、新しいタスクを段階的に学習することを目的としています。ただし、ほとんどの既存の方法、特に画像分類を対象とした方法は、すべての新しいデータが新しいタスクに属すると想定することによって単純化されたシナリオでのみ機能します。これは、クラスラベルが提供されていない場合は現実的ではありません。したがって、実際のアプリケーションで教師なし継続学習を実行するには、最初に、各新しいデータが新しいタスクに対応するのか、すでに学習済みのタスクに対応するのかを識別するために、分布外検出器が必要です。この作業では、対応する評価プロトコルを使用して、教師なし継続学習(OOD-UCL)での分布外検出の問題を定式化します。さらに、最初に出力バイア
Are Multimodal Transformers Robust to Missing Modality? 実世界から収集されたマルチモーダルデータは、モダリティが欠落しているために不完全であることがよくあります。したがって、モーダル不完全データに対してロバストなマルチモーダルモデルが強く推奨されます。最近、Transformerモデルはマルチモーダルデータの処理で大きな成功を収めています。ただし、既存の作業は、アーキテクチャ設計または事前トレーニング戦略のいずれかに限定されています。 Transformerモデルが欠落モーダルデータに対して自然に堅牢であるかどうかは、ほとんど調査されていません。この論文では、モーダル不完全データの存在下でのトランスフォーマーの動作を包括的に調査するための初めての作業を紹介します。当然のことながら、Transformerモデルは欠落しているモダリティに
A Simple Approach to Adversarial Robustness in Few-shot Image Classification ラベル付けされたデータが限られているタスクに一般化することを目標とする数ショットの画像分類は、長年にわたって大きな進歩を遂げてきました。ただし、分類子は敵対的な例に対して脆弱であり、それらの一般化機能に関して疑問を投げかけます。最近の研究では、メタ学習アプローチと敵対的トレーニングを組み合わせて、数ショットの分類器の堅牢性を向上させようとしています。単純な転移学習ベースのアプローチを使用して、敵対的にロバストな数ショット分類器をトレーニングできることを示します。また、基本クラスに向けて数ショットカテゴリの重心を較正することに基づく新しい分類タスクの方法を提示します。基本カテゴリでの標準的な敵対的トレーニングと、新しいカテゴリでのキャリブレ
Improving Few-Shot Part Segmentation using Coarse Supervision パーツセグメンテーションのためにディープネットワークをトレーニングする際の重大なボトルネックは、詳細な注釈を取得するコストです。パーツセグメンテーションモデルを改善するために、一部のカテゴリですぐに利用できる図地マスクやキーポイントの場所などの粗いラベルを活用するためのフレームワークを提案します。重要な課題は、これらの注釈がさまざまなタスクのためにさまざまなラベル付けスタイルで収集されており、パーツラベルに簡単にマッピングできないことです。この目的のために、ラベリングスタイルとパーツセグメンテーションモデルの依存関係を共同で学習し、さまざまなラベルからの監視を利用できるようにすることを提案します。私たちのアプローチを評価するために、Caltech-UCSD鳥とOID航
パノプティコン、インスタンス、およびセマンティック関係:パノプティコンセグメンテーションを強化するためのリレーショナルコンテキストエンコーダ Panoptic, Instance and Semantic Relations: A Relational Context Encoder to Enhance Panoptic Segmentation このホワイトペーパーでは、パノプティコンセグメンテーションのセマンティックコンテキストとインスタンスコンテキストの両方を統合するための新しいフレームワークを紹介します。既存の作品では、共有バックボーンを使用して、物(車両などの数えられるクラス)ともの(道路などの数えられないクラス)の両方の特徴を抽出するのが一般的です。ただし、これでは、それらの間の豊富な関係を捉えることができず、視覚的な理解とセグメンテーションのパフォーマンスを向上させるために
Optical flow GNSS for navigation in the Indian subcontinent (NavIC) This paper reveals about global navigation satellite system GNSS in the indian subcontinent known as the navigation in the indian subcontinent(NavIC) We have tried to model a new technique in GNSS known as the optical flow tracking global navigation system (OF GNSS). This method using differential equations is very accurate for ve
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く