DeepFEL: Deep Fastfood Ensemble Learning for Histopathology Image Analysis

要約

計算病理学タスクには、マルチギガピクセルの画像、退屈で不確実なことが多い注釈、多数のケースが利用できないなど、いくつかの独自の特徴があります [13]。
これらの問題のいくつかに対処するために、Deep Fastfood Ensembles を紹介します。これは、まったく異なるソース ドメイン (自然画像オブジェクトなど) で事前トレーニングされ、さまざまな次元に投影された一般的な CNN モデルからプールされたディープ フィーチャを組み合わせるための、シンプルで高速かつ効果的な方法です。
いわゆるファストフード[11]。
最終的なアンサンブル出力は、単純な個々の分類器のコンセンサスによって取得されます。各分類器は、ランダムな基底ベクトルの異なるコレクションでトレーニングされます。
これは、特にトレーニング時間とドメイン ラベルが重要な場合に、非常に高速でありながら効果的なソリューションを提供します。
組織病理学の画像解析における 3 つの異なるタスクの最先端の方法と比較して、提案されたディープ ファーストフード アンサンブル学習の有効性を示します。

要約(オリジナル)

Computational pathology tasks have some unique characterises such as multi-gigapixel images, tedious and frequently uncertain annotations, and unavailability of large number of cases [13]. To address some of these issues, we present Deep Fastfood Ensembles – a simple, fast and yet effective method for combining deep features pooled from popular CNN models pre-trained on totally different source domains (e.g., natural image objects) and projected onto diverse dimensions using random projections, the so-called Fastfood [11]. The final ensemble output is obtained by a consensus of simple individual classifiers, each of which is trained on a different collection of random basis vectors. This offers extremely fast and yet effective solution, especially when training times and domain labels are of the essence. We demonstrate the effectiveness of the proposed deep fastfood ensemble learning as compared to the state-of-the-art methods for three different tasks in histopathology image analysis.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google