Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Incierto pero útil: Aprovechar la variabilidad de las CNN para aumentar los datos

Created by
  • Haebom

Autor

In es González-Pepe, Vinuyan Sivakolunthu, Yohan Chatelain, Tristan Glatard

Describir

Este artículo investiga la inestabilidad numérica que surge durante el entrenamiento de FastSurfer, un proceso de análisis de imágenes cerebrales basado en aprendizaje profundo (AA). Analizamos la variabilidad del proceso de entrenamiento de FastSurfer mediante perturbaciones controladas con perturbaciones de punto flotante y semillas aleatorias, lo que demuestra que el AA es más susceptible a la inestabilidad que los procesos de neuroimagen convencionales. Sin embargo, el conjunto generado mediante perturbaciones presenta un rendimiento similar al del modelo base sin perturbaciones, lo que demuestra que esta variabilidad puede aprovecharse para aplicaciones posteriores, como el análisis de regresión de la edad cerebral. Nuestra conclusión sugiere que la variabilidad durante el entrenamiento no solo es un problema de reproducibilidad, sino que también puede aprovecharse como recurso para mejorar la robustez y permitir nuevas aplicaciones.

Takeaways, Limitations

•
Takeaways:
◦
Identificamos inestabilidades numéricas que ocurren durante el proceso de entrenamiento de una tubería de análisis de imágenes cerebrales basada en aprendizaje profundo y analizamos sus causas e impactos.
◦
Explotamos la variabilidad del proceso de entrenamiento para crear modelos de conjunto, lo que sugiere el potencial para la mejora del rendimiento y el desarrollo de nuevas aplicaciones.
◦
Presentamos un estudio de caso que demuestra que la variabilidad en el proceso de entrenamiento puede aprovecharse como una estrategia de aumento de datos.
•
Limitations:
◦
Como este análisis es para una sola canalización, FastSurfer, la generalización a otras canalizaciones de análisis de imágenes cerebrales basadas en DL es limitada.
◦
Análisis de regresión de la edad cerebral Se presentan resultados para una sola aplicación, por lo que su aplicabilidad a otras aplicaciones requiere más estudios.
◦
Los tipos y las intensidades de las perturbaciones utilizadas en el análisis son limitados, por lo que se necesita más investigación sobre otros tipos de perturbaciones.
👍
Made with Slashpage