抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
皮膚癌は悪性腫瘍の最も一般的なタイプの一つであり,大きな集団に影響し,世界的に重い経済的負担を引き起こす。ここ数年,コンピュータ支援診断は,急速に発展し,人工知能の進歩により,医療および医学診療で大きな進歩を遂げている。しかし,皮膚癌検出におけるほとんどの研究は,携帯機器に関する計算資源の限界を考慮しないことなしに,高い予測精度を追求する。この場合,知識蒸留(KD)は,限られた資源の下で軽量モデルの適応性を改善するのを助ける効率的なツールとして証明され,一方,高レベル表現能力を維持する。ギャップを埋めるために,この研究はSSD-KDと呼ばれる新しい方法を特に提案し,皮膚疾患分類のための一般的なKDフレームワークに多様な知識を統一する。著者らの方法は,イントラスタンス関係特徴表現をモデル化して,それを既存のKD研究と統合した。デュアル関係知識蒸留アーキテクチャを自己監督的に訓練し,一方,重み付きソフト化出力も利用し,教師モデルからより豊富な知識を捉えるように学生モデルを可能にした。著者らの方法の有効性を実証するために,皮膚疾患ダーモスコープ画像の大規模オープンアクセスベンチマークであるISIC 2019に関する実験を行った。実験は,著者らの蒸留軽量モデルが最小パラメータおよび計算要求を有する8つの異なる皮膚疾患の分類タスクに対して85%の高い精度を達成できることを示した。アブレーション研究は,イントラおよびインスタンス関係知識統合戦略の有効性を確認した。最先端の知識蒸留技術と比較して,提案方法は,大規模ダーモスコピーデータベースに関する多疾病分類のための改良性能を示した。【JST・京大機械翻訳】