دقت یادگیری باقی مانده برای دسته بندی ضایعات پوستی
تعداد کلمات فایل انگلیسی : 7393 کلمه 12 صفحه pdf
تعداد صفحات فایل ترجمه : 32صفحه word فونت 14 B Nazanin
چکیده
دسته بندی خودکار ضایعات پوستی در تصاویر درموسکوپی یک روش ضروری برای بهبود عملکرد تشخیص و کاهش مرگ های ناشی از ملانوما می باشد. گرچه شبکه عصبی حلقوی عمیق در بسیاری از دسته بندی های تصویری پیشرفت های زیادی ایجاد کرده، دسته بندی دقیق ضایعات پوستی هنوز هم به دلیل تاکافی بودن داده آموزشی، تشابه های بین دسته ای، تغییرات داخل دسته ای، و نبود توانایی تمرکز روی بخش های ضایعه معنی دار چالش برانگیز می باشد. برای بیان این مسائل، یک مدل دقت یادگیری باقی مانده شبکه عصبی حلقوی برای دسته بندی ضایعات پوستی در تصاویر درموسکوپی ارائه می دهیم که از بلوکه های ARL چندگانه، لایه تجمع میانگین جهانی، و یک لایه دسته بندی تشکیل شده است. هر بلوک ARL مشترکا از یادگیری باقی مانده و یک مکانیسم یادگیری دقت نوین به منظور بهبود توانایی ان برای نمایش متمایز کننده استفاده می کند. بجای استفاده از لایه های قابل یادگیری مازاد، مکانیسم یادگیری دقت پیشنهادی برای استفاده از توانایی دقت به خود ذاتی ، به عبارتی از نقشه های برجستگی یادگرفته شده توسط یک لایه بالا استفاده می کند تا نقشه دقت برای لایه پایین ایجاد کند. ما مدل خود را روی مجموعه داده پوست 2017 متمرکز کردیم. نتایج ما نشان داد که مدل پیشنهادی می تواند به طور تطبیقی روی بخش های متمایز کننده ضایعات پوستی تمرکز کند و بنابراین به عملکرد مدرن در دسته بندی ضایعات پوستی دست یابد.
عبارت های شاخص: یادگیری دقت، یادگیری باقی مانده، دسته بندی ضایعات پوستی، تصاویر درموسکوپی
Attention Residual Learning for Skin Lesion Classification
Abstract—Automated skin lesion classification in dermoscopy
images is an essential way to improve the diagnostic performance
and reduce melanoma deaths. Although deep convolutional neural
networks (DCNNs) have made dramatic breakthroughs in
many image classification tasks, accurate classification of skin
lesions remains challenging due to the insufficiency of training
data, inter-class similarity, intra-class variation, and lack of the
ability to focus on semantically meaningful lesion parts. To
address these issues, we propose an attention residual learning
convolutional neural network (ARL-CNN) model for skin
lesion classification in dermoscopy images, which is composed
of multiple ARL blocks, a global average pooling layer, and a
classification layer. Each ARL block jointly uses the residual
learning and a novel attention learning mechanisms to improve
its ability for discriminative representation. Instead of using extra
learnable layers, the proposed attention learning mechanism aims
to exploit the intrinsic self-attention ability of DCNNs, i.e. using
the feature maps learned by a high layer to generate the attention
map for a low layer. We evaluated our ARL-CNN model on the
ISIC-skin 2017 dataset. Our results indicate that the proposed
ARL-CNN model can adaptively focus on the discriminative parts
of skin lesions, and thus achieve the state-of-the-art performance
in skin lesion classification.
Index Terms—Attention learning, residual learning, skin lesion
classification, dermoscopy images.
کد:13584
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
دقت یادگیری باقی مانده برای دسته بندی ضایعات پوستی
تعداد کلمات فایل انگلیسی : 7393 کلمه 12 صفحه pdf
تعداد صفحات فایل ترجمه : 32صفحه word فونت 14 B Nazanin
چکیده
دسته بندی خودکار ضایعات پوستی در تصاویر درموسکوپی یک روش ضروری برای بهبود عملکرد تشخیص و کاهش مرگ های ناشی از ملانوما می باشد. گرچه شبکه عصبی حلقوی عمیق در بسیاری از دسته بندی های تصویری پیشرفت های زیادی ایجاد کرده، دسته بندی دقیق ضایعات پوستی هنوز هم به دلیل تاکافی بودن داده آموزشی، تشابه های بین دسته ای، تغییرات داخل دسته ای، و نبود توانایی تمرکز روی بخش های ضایعه معنی دار چالش برانگیز می باشد. برای بیان این مسائل، یک مدل دقت یادگیری باقی مانده شبکه عصبی حلقوی برای دسته بندی ضایعات پوستی در تصاویر درموسکوپی ارائه می دهیم که از بلوکه های ARL چندگانه، لایه تجمع میانگین جهانی، و یک لایه دسته بندی تشکیل شده است. هر بلوک ARL مشترکا از یادگیری باقی مانده و یک مکانیسم یادگیری دقت نوین به منظور بهبود توانایی ان برای نمایش متمایز کننده استفاده می کند. بجای استفاده از لایه های قابل یادگیری مازاد، مکانیسم یادگیری دقت پیشنهادی برای استفاده از توانایی دقت به خود ذاتی ، به عبارتی از نقشه های برجستگی یادگرفته شده توسط یک لایه بالا استفاده می کند تا نقشه دقت برای لایه پایین ایجاد کند. ما مدل خود را روی مجموعه داده پوست 2017 متمرکز کردیم. نتایج ما نشان داد که مدل پیشنهادی می تواند به طور تطبیقی روی بخش های متمایز کننده ضایعات پوستی تمرکز کند و بنابراین به عملکرد مدرن در دسته بندی ضایعات پوستی دست یابد.
عبارت های شاخص: یادگیری دقت، یادگیری باقی مانده، دسته بندی ضایعات پوستی، تصاویر درموسکوپی
Attention Residual Learning for Skin Lesion Classification
Abstract—Automated skin lesion classification in dermoscopy
images is an essential way to improve the diagnostic performance
and reduce melanoma deaths. Although deep convolutional neural
networks (DCNNs) have made dramatic breakthroughs in
many image classification tasks, accurate classification of skin
lesions remains challenging due to the insufficiency of training
data, inter-class similarity, intra-class variation, and lack of the
ability to focus on semantically meaningful lesion parts. To
address these issues, we propose an attention residual learning
convolutional neural network (ARL-CNN) model for skin
lesion classification in dermoscopy images, which is composed
of multiple ARL blocks, a global average pooling layer, and a
classification layer. Each ARL block jointly uses the residual
learning and a novel attention learning mechanisms to improve
its ability for discriminative representation. Instead of using extra
learnable layers, the proposed attention learning mechanism aims
to exploit the intrinsic self-attention ability of DCNNs, i.e. using
the feature maps learned by a high layer to generate the attention
map for a low layer. We evaluated our ARL-CNN model on the
ISIC-skin 2017 dataset. Our results indicate that the proposed
ARL-CNN model can adaptively focus on the discriminative parts
of skin lesions, and thus achieve the state-of-the-art performance
in skin lesion classification.
Index Terms—Attention learning, residual learning, skin lesion
classification, dermoscopy images.
کد:13584
دانلود رایگان مقاله انگلیسی