文献

J-GLOBAL ID：202102263925526428   整理番号：21A2928920

エンドツーエンドモデルに基づくピラミッド残差畳込みニューラルネットワーク【JST・京大機械翻訳】

Pyramid Residual Convolutional Neural Network based on an end-to-end model

著者 (5件)： Xi Hewen (Computer School, University of South China,Hengyang,People’s Republic of China,421001) ,  Chen Junxi (Affiliated Nanhua Hospital, University of South China,Hengyang,People’s Republic of China,421002) ,  Chen Lingna (Computer School, University of South China,Hengyang,People’s Republic of China,421001) ,  Liang Hong (Computer School, University of South China,Hengyang,People’s Republic of China,421001) ,  Wang Qing (Computer School, University of South China,Hengyang,People’s Republic of China,421001)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICICTA  ページ： 154-158  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 画像分類,セグメンテーション,検出法に基づく深層学習(DL)は,近年最先端の性能を提供してきた。特に,これらの技法は,患者の身体的条件のより便利で明確な理解を持ち,それらの中で,1つの深い学習技術,U-Netモデルは,画像セグメンテーションの分野で最もポピュラーな技術の1つになった。本論文では,U-Netモデル(PRU-Net)に基づくピラミッド残差畳込みニューラルネットワークを提案した。提案モデルは,U-Net,残差ネットワーク,および画像ピラミッドを利用した。これらの提案アーキテクチャのセグメンテーションタスクにはいくつかの利点がある。最初に,残留構造の設計は,深い構造を訓練することを助け,それは,しばしばより良い効果を意味する。第二に,ピラミッド残差畳み込み層を特徴蓄積のために用いて,それは浅い特徴と深い特徴の間の関係性を強化して,より効率的に画像情報を学ぶことができる。第3に,医用画像セグメンテーションのための少数のネットワークパラメータを有するより良いアーキテクチャの設計を可能にする。3つのベンチマークモデル,U-Net,ResU-Net(Residual U-Net)およびAttU-Net(Attention U-Net)にピラミッド残差構造を加え,2つのベンチマークデータセット,すなわち皮膚癌セグメンテーションおよび甲状腺結節セグメンテーションに関してそれらを試験した。実験結果は,これらのモデルがピラミッド残差構造を持たないものより良いセグメンテーション効果を有することを示した。Gaussピラミッド残差構造は,最大プールより良かった。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *畳込み ,  学習 ,  セグメンテーション ,  *ネットワーク ,  *残差 ,  検出法 ,  *エンドツーエンド方式 ,  ベンチマーク ,  計算機アーキテクチャ ,  皮膚腫瘍
準シソーラス用語： 画像情報 ,  画像セグメンテーション ,  画像分類 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： ピラミッド ,  残差 ,  畳込みニューラルネットワーク