Centrala begrepp
混乱ペナルティを使用した新しいラベルスムージング技術により、CNNを正規化する方法が提案されています。
Sammanfattning
この論文は、混乱ペナルティに基づく新しいラベルスムージング技術を導入し、Colorectal Histologyデータセットで広く知られたCNNアーキテクチャと実験を行い、満足のいく結果を得ました。また、他の最先端技術と比較して効果を示しています。論文は以下の構造で構成されています:
- Abstract:
- CNNが現実世界のシナリオで展開しにくい過信性を持つことから始まり、ラベルスムージング(LS)などの正規化手法が提案されています。
- Introduction:
- 過信性モデルへの対処としてLSが紹介され、医療画像解析における応用も議論されています。
- Related works:
- ラベルスムージングに関する以前の研究や提案された手法について説明があります。
- Methodology:
- 伝統的なトレーニング方法からCPLSへ移行するトレーニング手順が記載されています。
- Experiments:
- Colorectal_histologyデータセットで実施された実験設定や結果が示されています。
- Result and Discussion:
- 結果と議論では、異なる分類器でのテスト精度やECEなどが比較されており、CPLS方法が他の手法よりも優れていることが示唆されています。
- Conclusion:
- 新しいラベルスムージング技術の有効性や今後の展望について述べられています。
Statistik
ラベルスムージングはソフトラベルを導入し、分類子をより正則化します。
LCPLS = − PC c=1 mic log p(c|xi)
ECE = n X m=1 |Bm| n | acc(Bm) − conf(Bm)|
Citat
"We have introduced a novel LS technique based on the confusion penalty."
"Our method’s efficacy with Reliability diagrams and t-SNE plots of feature space."