一般化ゼロショット医用画像分類のための解釈可能な顕著性マップと自己教師付き学習【JST・京大機械翻訳】

Mahapatra Dwarikanath

プレプリント

J-GLOBAL ID：202202211750415569 整理番号：22P0325225

一般化ゼロショット医用画像分類のための解釈可能な顕著性マップと自己教師付き学習【JST・京大機械翻訳】

Interpretable Saliency Maps And Self-Supervised Learning For Generalized Zero Shot Medical Image Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (1件)：
資料名：
発行年： 2022年04月04日プレプリントサーバーでの情報更新日： 2022年08月29日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

多くの実世界医用画像分類設定において,全ての可能な疾患クラスのサンプルへのアクセスはないが,ロバストなシステムは,新しい試験データの認識において高性能を与えることが期待される。著者らは,自己教師つき学習(SSL)を使用する一般化ゼロショット学習(GZSL)法を提案した。1)異なる疾患クラスのアンカーベクターの選択;2)特徴発生器の訓練。この手法は,医用画像ではなく自然画像に利用できるクラス属性ベクトルを必要としない。SSLは,アンカーベクトルが各クラスの代表であることを確実にする。また,SSLを用いて,非セエンクラスの合成特徴を生成した。より単純なアーキテクチャを使用して,著者らの方法は,自然画像のための最新のSSLベースのGZSL方法の状態に適合して,医用画像のためのすべての方法より優れている。提案手法は,それらが自然画像に利用できるとき,クラス属性ベクトルを収容するのに十分に適応可能である。【JST・京大機械翻訳】

, , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , , , , ,

前のページに戻る