Yazar
Haussmann, M., Hamprecht, F. A., Kandemir, Melih
Basım Tarihi
2017
Basım Yeri
-
IEEE
Konu
Bayes yöntemleri, Kanser, Beklenti maksimizasyon algoritması, Gauss süreçleri, Görüntü sınıflandırma, Öğrenme (yapay zeka), Nesne algılama, Desen sınıflandırma, Tümörler
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
978-1-5386-0457-1
Kayıt Numarası
fda540fa-58ee-4642-8ae2-e944e68ae256
Lokasyon
Bilgisayar Bilimi
Tarih
2017
Notlar
Telif hakkı kısıtlamaları nedeniyle bu makalenin tam metnine erişim yalnızca abonelik yoluyla mümkündür.
Örnek Metin
Gauss Süreçleri (GP'ler) etkili Bayes tahmincileridir. Burada ilk kez bir GP sınıflandırıcının örnek etiketlerinin değişken Bayes kullanılarak çoklu örnek öğrenme (MIL) ayarında çıkarılabileceğini gösteriyoruz. Bunu, örnek tahminlerinin MIL kısıtlamalarına uyması durumunda büyük bir değer, aksi takdirde küçük bir değer varsayan yeni bir torba olasılığı yapısı aracılığıyla başarıyoruz. Bu yapı, varyasyonel parametreler için güncelleme kurallarını analitik olarak türetmemize olanak tanıyarak hem ölçeklenebilir öğrenmeyi hem de hızlı yakınsamayı garanti eder. Bu modeli, örneğin 20 Haber Grubu karşılaştırmasında torba düzeyinde denetimden etiket tahmininin yanı sıra histopatoloji doku mikrodizi görüntülerinden Barretts kanser tümörü lokalizasyonunda en son teknolojiyi geliştirmek için gözlemliyoruz. Ayrıca, PASCAL VOC 2007 ve 2012 veri setlerindeki en son teknolojiyi geliştiren, modelimizle doğal olarak tamamlanan zayıf denetlenen nesne tespiti için yeni bir işlem hattı sunuyoruz. Son olarak, modelimizin performansı karma denetim kullanılarak daha da artırılabilir: zayıf (torba) ve güçlü (örnek) etiketlerin bir kombinasyonu.
DOI
10.1109/CVPR.2017.93
