2019-02-01から1ヶ月間の記事一覧
* 損失関数計算時のクラスアンバランス補正項を提案している * 教師サンプル数の逆数でクラスアンバランスを補正するのではなく、実効サンプル数の逆数で補正 * 似たようなサンプルが多い場合、実効サンプル数は小さい
* Object detectionを行うRetina Netの損失関数としてFocal Lossを提案 * Faster RNN系の2 stage detectorでは物体検出精度が高いのに対し、YOLO等の1 stage detectorでは高速な推論が可能 * 1 stage detectorで精度を高めるために、Focal Lossを提案 * Foca…
* 脳波画像から発作を検出 * 脳波の時系列データをハイパス・ローパス・ノッチフィルタにかけノイズ除去 * ノイズ除去した脳波データからプロット画像を作り、VGG16により発作を検出 * RNN系の時系列モデルとの精度比較は行われていない。
* ImageNet scene parsing challenge 2016、PASCAL VOC 2012 benchmark、Cityscapes benchmarkで1位を取ったSegmentation用モデル * Pyramid Pooling Moduleにより大域的特徴量を計算することで、画像のコンテキストを考慮したSemantic Segmentationを行う
* 以下の条件で、脳のMRI画像をSegmentation * ラベル無しMRI画像は数多く有るが、医師によるラベル付きMRI画像が少ない * 既存のSegmentationソフトウェア(FreeSurfer)が有る * Error Correcting Boostingにより分類精度の低いクラスの学習を効率化 * 損失…
* Segmentationを弱教師付き学習で行う手法を提案 * 検出対象物体領域の長軸と4点の極点のみをアノテーション * 教師データ作成時間を10~30%程度に削減し、通常の教師付き学習結果と同等の精度を実現
* [SE-Net](https://ai-engineer-memo.hatenablog.com/entry/2019/02/04/005845) で導入されたchannel単位のAttension&gating機構(SE block)のアイデアをpixel単位のAttension&gating機構(scSE block)に拡張し、U-Net等のSemantic Segmentation用モデルに…
* ILSVRC2017画像分類コンペティションで1位となったモデル * 任意のCNNモデルにAttension&gating機構を追加できるSE blockを提案 * 畳み込み層で計算された特徴量をそのまま使用するのではなく、入力画像に応じて有効な特徴量チャンネルを制御 * 計算コス…