Self-knowledge Distillation: An Efficient Approach for Falling Detection

Vu, Duc-Quang; Phung, Trang; Nguyễn, Mai Ánh; Nguyen, BAO; Nguyen, Thu L. N.

doi:10.1007/978-3-030-97610-1_29

Cited by 6 publications

(2 citation statements)

References 21 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…Tuy nhiên, chưng cất kiến thức vẫn còn tồn tại một số nhược điểm chẳng hạn như: Tốn nhiều chi phí về mặt thời gian và bộ nhớ do phải huấn luyện mạng giáo viên nặng, khoảng cách năng lực giữa mạng giáo viên và mạng sinh viên lớn dẫn đến sinh viên không "tiếp thu" được kiến thức từ mạng giáo viên truyền tới [12]. Chính vì vậy, phương pháp tự chưng cất kiến thức được đề xuất để khắc phục hạn chế này, trong phương pháp tự chưng cất kiến thức, không tồn tại mạng giáo viên, do đó, mạng sinh viên sẽ tự chắt lọc và chuyển giao kiến thức cho chính bản thân mình [13], [14].…”

Section: Hình 1 Tổng Quan Về Chưng Cất Kiến Thứcunclassified

See 1 more Smart Citation

Xây Dựng Mô Hình Học Sâu Hiệu Quả Để Nhận Dạng Bệnh Ngoài Da Dựa Trên Tự Chưng Cất Kiến Thức

Trang¹,

Linh²,

Ánh³

et al. 2022

TNUJST

View full text Add to dashboard Cite

Ung thư da hiện đang là một trong các loại bệnh phổ biến nhất với tỉ lệ người mắc bệnh ngày càng cao. Chính vì vậy, việc dự đoán sớm các loại bệnh ngoài da hiện đang được các nhà nghiên cứu trên thế giới quan tâm đặc biệt là trong các cuộc thi phân loại bệnh ngoài da ISIC của các năm 2017, 2018, 2019 và 2020. Trong bài báo này, chúng tôi đề xuất một cách tiếp cận mới hiệu quả nhằm giải quyết bài toán nhận dạng bệnh ngoài da dựa trên quá trình tự chưng cất kiến thức. Phương pháp của chúng tôi khai thác và tối thiểu hóa sự khác biệt giữa hai phân bổ xác suất từ hai phiên bản khác nhau của cùng một ảnh đầu vào. Kết quả thử nghiệm được thực hiện với mạng ResNet-50 cho thấy cách tiếp cận chúng tôi đề xuất vượt trội hơn so với các phương pháp hiện đại được đề xuất gần đây trên các bộ dữ liệu chuẩn chẳng hạn như HAM10000, ISIC 2017 và ISIC 2019. Cụ thể, phương pháp của chúng tôi đạt 0,987 AUC trên bộ dữ liệu HAM10000 và 0,960 AUC, 0,901 độ chính xác, 0,910 độ nhạy và 0,866 độ đặc hiệu trên bộ dữ liệu ISIC 2017.

show abstract

Section: Hình 1 Tổng Quan Về Chưng Cất Kiến Thứcunclassified

“…Lấy cảm hứng từ chưng chất kiến thức [9] và tự chưng cất kiến thức [12] - [14], chúng tôi đề xuất một mô hình tự chưng cất kiến thức nhằm giải quyết bài toán nhận dạng bệnh ngoài da như được mô tả như trong hình 2.…”

Section: Phương Pháp Tự Chưng Cất Kiến Thứcunclassified