文献

J-GLOBAL ID：202202248468296639   整理番号：22A0894197

深層学習に基づくセグメンテーション法の最適化【JST・京大機械翻訳】

Optimization of deep learning based segmentation method

著者 (2件)： Inik OEzkan (Department of Computer Engineering, Tokat Gaziosmanpasa University, Tokat, Turkey) ,  UElker Erkan (Department of Computer Engineering, Konya Technical University, Konya, Turkey)
資料名： Soft Computing  (Soft Computing)
巻： 26  号： 7  ページ： 3329-3344  発行年： 2022年 
JST資料番号： W1043A  ISSN： 1432-7643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 深層学習モデルの使用は,分類,検出,およびセグメンテーションのような異なるコンピュータビジョン問題において広まっている。多くの深層学習モデルを医用画像のセグメンテーションにおいて開発した。セグメンテーション精度が増しているが,組織,セルおよび画像取得方法の変動性のため,セグメンテーション性能は改善する必要がある。深層学習ベースセグメンテーションと分類法において,セグメンテーションのより成功する結果を得るために,この方法のパラメータを最適化すべきである。本研究では,セグメンテーション損失に従って5つの最適化アルゴリズムを用いてパラメータの最適化を行った。これらのアルゴリズムは,Grey Wolf Optimizer,人工Bee Colony(ABC),遺伝的アルゴリズム,粒子群最適化(PSO),およびBlack Widew最適化(BWO)である。実験的研究において,各アルゴリズムは独立に10回実行され,ABCは0.135の値で最も低い平均セグメンテーション損失を得た。しかし,ABCは,PSOよりも約7時間長い性能を達成し,BWOよりも約5時間長かった。CNNベースのモデルのパラメータ最適化は,他のベンチマークよりはるかに多くの時間を取るので,アルゴリズムの収束速度は非常に重要である。この理由で,PSOは,9.438hの平均実行時間で他のアルゴリズムよりはるかに成功することが観察された。その結果,Jaccard類似性係数を考慮すると,モデル性能は手動パラメータ選択に比べて最適化で8.1%増加した。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  *最適化 ,  *セグメンテーション ,  最適化手法 ,  医用画像 ,  コンピュータビジョン ,  ベンチマーク ,  *機械学習 ,  遺伝的アルゴリズム
準シソーラス用語： 粒子群最適化 ,  パラメータ最適化 ,  収束速度 ,  画像入力 ,  実行時間 ,  パラメータ選択 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (9件)： 人工蜂コロニー(ABC) ,  Black Widow最適化(BWO) ,  CNN ,  深層学習 ,  遺伝的アルゴリズム(GA) ,  灰色オオカミ(GWO) ,  パラメータ最適化 ,  粒子群最適化(PSO) ,  セグメンテーション

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 深層学習 ,  セグメンテーション ,  最適化