Deep Convolution Features in Non-linear Embedding Space for Fundus Image Classification
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
A machine learning model is introduced to recognize the severity level of the Diabetic Retinopathy (DR), a disease observed in the people suffering from diabetes for a long time and is one of the causes of vision loss and blindness. Major objective of this approach is to generate an effective feature representation of the fundus images so that the level of severity can be identified with less effort and using limited number of samples for training. Color fundus images of the retina are collected, preprocessed and deep features are extracted by feeding them to a deep Convolutional Network, Neural Architecture Search Network (NASNet) which searches for the best convolutional layer (or "cell") in NASNet search space. The representations of retinal images in deep space are given as input to the classification model to get the severity level of the disease. The proposed model is applied on the benchmark APTOS 2019 retinal fundus image dataset to evaluate the performance of the proposed model. Our experimental studies indicate that -Support Vector Machine (-SVM) when trained using the projected deep features leads to an improvement in accuracy compared to other machine learning models for fundus image classification. In addition, from the experimental studies we understand that deep features from NASNet give better representation compared to the handcrafted features and features obtained using other projections. We observe that deep features transformed using t-distributed stochastic neighbor embedding (t-SNE) gives more discriminative representations of retinal images and help to achieve an accuracy of 77.90%.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle