Jan, 2022

使用深度卷积神经网络优化的集成学习医学图像分类分析

PDF
TL;DR该研究提出了一种可复现的医学图像分类管道，分析了集成学习技术在深度学习医学图像分类管道中的优化效果，发现 Stacking 技术效果最好，能增加 13％的 F1 得分，此外，Augmenting 和 Bagging 技术也能显著提高性能。此外也展示了简单的统计汇总函数与较复杂的机器学习技术汇总函数相比并不逊色。综述结果表明，集成学习技术的使用能够为医学图像分类管道提高性能和抗干扰能力。
medical image classificationensemble learningaugmentingstackingbagging
发现论文，激发创造
  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 集成深度学习：综述

    本文综述了最新的深度集成学习模型的分类和应用，并指出了未来研究的方向。

    Apr, 2021

  • 深度学习图像分类中基于置信度集成的评估

    使用了 Conf-Ensemble 技术来提高机器学习模型的性能，通过对 ImageNet 数据集的图像分类实验，发现 Conf-Ensemble 在复杂的多标签分类任务中并未能如预期一样实现优化结果，也说明了大数据难以被利用的非平凡性。

    Mar, 2023

  • 利用卷积神经网络和集成学习进行自动化灾害图像分类

    构建和训练多个卷积神经网络 (CNN) 架构，利用堆叠 CNN 集成方法对地震、洪水、野火和火山等自然灾害图像进行分类，实现了 95% 的准确率和 F1 得分达到 0.96，并通过调节超参数优化单个模型的性能，同时通过将 CNN 和 ResNet 模型与 XGBoost 元模型相结合，提高了分类的整体准确性，展示了基于 CNN 的模型在自动化灾害图像分类中的有效性，为扩展这些技术以构建健壮的灾害响应、损伤评估和恢复管理系统打下了基础。

    Nov, 2023

  • 连接点：基于图神经网络的医学图像集成与分类

    利用图神经网络对医学图像进行特征提取和模型关系建模，以提供一种经济可行且可扩展的医学图像分类策略，显著减少对大量训练数据集的依赖。

    Nov, 2023

  • 为何多个网络头胜过单独一个：训练深度神经网络的多样集成

    本研究探讨了如何最佳地建立卷积神经网络的组合，比较了多种资源共享和差异性鼓励的策略，其中提出了 TreeNets 算法，最后通过端到端的训练以统一的损失函数获得比传统算法更高的准确率。

    Nov, 2015

  • 流行集成方法：一项实证研究

    本研究使用神经网络和决策树作为分类算法，在 23 个数据集上评估了 Bagging 和 Boosting 两种集成方法。研究结果表明 Bagging 方法几乎总是比单个分类器更准确，而 Boosting 方法则在某些情况下比 Bagging 更不准确。数据集的特征对 Boosting 方法的表现有重要影响，这种方法可能会过拟合噪声数据集，从而减少性能。同时我们的结果也说明，集成模型的性能提升大部分发生在前几个分类器的组合中。

    Jun, 2011

  • 更快、更轻、更准确：用于内容审核的深度学习集成

    基于简化的视觉特征，我们提出了一个高效且轻量级的深度分类集成结构，以解决对高准确率分类具有低误报的暴力内容的需求。通过使用一组轻量级模型进行颜色特征的缩减，并应用于图像和视频，我们评估了该方法并与常用的深度学习模型进行了比较，结果显示了预测准确率的显著提高，同时推广了快速推理和较低的计算成本。虽然我们的方法针对爆炸检测，但也可应用于其他类似的内容管理和暴力检测用例。基于我们的实验，我们提出了 “小思考，多思考” 的分类策略，认为将单一的大型深度模型转化为多个小型、简单且轻量级模型的验证式步骤模型集成可能导致更高准确率的预测。

    Sep, 2023

  • 探索用于提升集成强健性的模型学习异质性

    通过形式分析和实证评估，本文展示了异构深度集成模型可以通过高集成多样性有效地利用模型学习的异质性以提高集成的鲁棒性。

    Oct, 2023

  • 基于 CNN 的解释集成用于数据集、表示和解释评估

    通过合并深度分类模型生成的解释，研究人员探索了可解释人工智能的潜力，以揭示模型行为的更一致和可靠的模式，进而评估模型所学到的表示。使用选定的 Quantus 库评估指标，证明该方法在本地化和可信度方面的性能优于单个解释。

    Apr, 2024