High-Resolution Class Activation Mapping

Tagaris, Thanos; Sdraka, Maria; Stafylopatis, Andreas

doi:10.1109/icip.2019.8803474

Cited by 15 publications

(9 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Gradient-weighted Class Activation Mapping (or GradCAM) [18] algorithms are a generalization of the Class Activation Mapping [19] algorithms used for producing visual explanations for trained deep neural models. The better localization and clear class discriminative saliency maps allow the understanding of the gradient weights built up at the final layer in the deep neural architecture [20].…”

Section: Residual Deep Neural Network or Resnetsmentioning

confidence: 99%

COVID-19 Identification in CLAHE Enhanced CT Scans with Class Imbalance using Ensembled ResNets

Sanagavarapu

Sridhar

Gopal

2021

2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS)

View full text Add to dashboard Cite

The occurrence of imbalanced datasets in medical imaging has proven to be a challenge for the development of models to analyze and evaluate the underlying condition. In this paper, the bias of the chest CT scan dataset is handled by taking discrete splits and employing ResNets to detect COVID-19 in each split. The scraped images were pre-processed using CLAHE histogram for comparison with low contrast images. Multiple ResNets were extended to form an ensemble neural network model using ANNs which handles the class imbalance. The system has an overall accuracy of 87.23% and the performance is assessed for each class. The image features identified are visualized using the GradCAM algorithm and some of the commonly found clinical features in the CT scan images of the patients suffering from this disease are summarized for better understanding the working of the model.

show abstract

Section: Residual Deep Neural Network or Resnetsmentioning

confidence: 99%

COVID-19 Identification in CLAHE Enhanced CT Scans with Class Imbalance using Ensembled ResNets

Sanagavarapu

Sridhar

Gopal

2021

2021 IEEE International IOT, Electronics and Mechatronics Conference (IEMTRONICS)

View full text Add to dashboard Cite

show abstract

“…Πρώτον, η τεχνική που 5.2 Βιβλιογραφία χρησιμοποιούσαν οι συγγραφείς για να παράξουν τους χάρτες περιλάμβανε την προσθήκη ενός επιπέδου Καθολικού Μέσου Συμψηφισμού (Global Average Pooling -GAP), το οποίο χειροτέρευε αισθητά την απόδοση του δικτύου (πράγμα που σήμαινε ότι το δίκτυο μπορεί να μην ήταν κατάλληλο πια για απαιτητικές εφαρμογές). Με άλλα λόγια το μοντέλο αυτό θυσίαζε πολυπλοκότητα (και κατά συνέπεια, όπως θα ορίσουμε παρακάτω, Πιστότητα) για να αυξήσει την Ερμηνευσιμότητά του [118,133].…”

Section: εκτίμηση ενεργοποίησηςunclassified

“…Η προτεινόμενη ροή εργασιών μπορεί να χωριστεί σε τρία κομμάτια: στην αρχική προεκπαίδευση του μοντέλου κατηγοριοποίησης/εντοπισμού (αυτό παράγει τους χάρτες χαμηλής 6.1 Χάρτογράφηση Ενεργοποίησης Κλάσεων 89 Σχήμα 6.4: Συνελικτικό Νευρωνικό Δίκτυο για κατηγοριοποίηση και εντοπισμό (επάνω μισό), καθώς και η διαδικασία παραγωγής του Χάρτη Ενεργοποίησης Κλάσης (κάτω μισό). ανάλυσης), την εκπαίδευση του δικτύου διαστολής (από αυτό παράγονται οι χάρτες υψηλής ανάλυσης) και την διαδικασία που αποσκοπεί στην συνένωση των δύο χαρτών [133].…”

Section: προτεινόμενη ροή εργασιώνunclassified

“…Η αρχιτεκτονική που υιοθετήσαμε είναι ήταν η αρχιτεκτονική DenseNet [51], προκειμένου να μην έχουμε πτώση στην προβλεπτική ισχύ του ταξινομητή, πράγμα που παρατηρήθηκε στην αρχική μελέτη [155,133].…”

Section: μοντέλο εντοπισμούunclassified

“…΄Ενα σύνολο δεδομένων που εκπληρώνει και τα τρία αυτά κριτήρια είναι το υποσύνολο του ILSVRC-2012 [111], το οποίο περιέχει μόνο κλάσεις ζώων. Από εδώ και στο εξής θα αναφερόμαστε στο σύνολο αυτό ως animals [133]. Πραγματικά, το σύνολο αυτό είναι μεγάλο σε μέγεθος (510, 530 εικόνες), οι εικόνες του έχουν σχετικά υψηλή ανάλυση και οι κλάσεις του είναι πολύ ομοιογενείς (π.χ.…”

Section: συνένωση των δύο χαρτώνunclassified

See 2 more Smart Citations

Ερμηνεύσιμα Μοντέλα Βαθιάς Μάθησης Για Την Ανάλυση Οπτικών Δεδομένων

Tagaris¹,

Τάγαρης²

View full text Add to dashboard Cite

Στο πλαίσιο της διατριβής μελετήθηκαν διάφορες εφαρμογές της Βαθιάς Μηχανικής Μάθησης για την αναγνώριση οπτικών δεδομένων. Αρχικά μελετήθηκαν, σχεδιάστηκαν και υλοποιήθηκαν διάφορες μεθοδολογίες σε τομείς όπως η ανάλυση συναισθήματος και η ανάλυση εικόνας. Ιδιαίτερη έμφαση δόθηκε στον τομέα της ιατρικής εικόνας με εφαρμογές σε νευροεκφυλιστικές νόσους, όπου κατασκευάσθηκε ένα σύνολο δεδομένων σχετικών με τη Νόσο του Parkinson. Έπειτα, σχεδιάσθηκαν και υλοποιήθηκαν διάφορες αρχιτεκτονικές για την ανάλυση των εικόνων αυτών, ώστε να εκπαιδευθεί ένα σύστημα ικανό να παράγει διαγνώσεις. Η απόδοση του τελευταίου όμως δεν αρκεί από μόνη της ώστε να εξασφαλιστεί η χρησιμότητά του, καθόσον το σύστημα να πρέπει να παρέχει μια μορφή ερμηνευσιμότητας. Κατά συνέπεια, το σύστημα επεκτάθηκε ώστε να του δοθεί η απαραίτητη διαφάνεια για το σκοπό αυτό. Στη συνέχεια, μελετήθηκε εκτενέστερα το θέμα της Ερμηνευσιμότητας των Βαθιών Νευρωνικών Δικτύων. Πιο συγκεκριμένα, ορίστηκαν διάφορες μετρικές μέσω των οποίων μπορεί κανείς να ποσοτικοποιήσει πόσο ερμηνεύσιμο είναι ένα δίκτυο και πόση απόδοση θα έπρεπε να θυσιάσει για να το πετύχει αυτό. Το πρόβλημα αντιμετωπίσθηκε με δύο προσεγγίσεις που έδωσαν πολύ ικανοποιητικά αποτελέσματα: η πρώτη είναι επέκταση της γνωστής τεχνικής των Χαρτών Ενεργοποίησης Κλάσης, ενώ η δεύτερη προτείνει μια νέα αρχιτεκτονική, η οποία θα εκπαιδεύεται για να προσδώσει εξηγήσεις στις αποφάσεις ενός δικτύου. Αυτό επιτυγχάνεται μέσω δύο υπο-δικτύων, ενός που έχει σκοπό να κρύβει μέρος της εισόδου και ενός που προσπαθεί να ταξινομεί την μερικώς κρυμμένη είσοδο, τα οποία εκπαιδεύονται συνεργατικά μέσω μιας συνάρτησης σφάλματος με δύο όρους.

show abstract