ترجمه فارسی مقاله FQGA-stingle: به سمت دوره های آموزش کمتری و پارامترهای مدل کمتر برای کارهای ترجمه تصویر به تصویر

چکیده

CycleGAN was trained on SynthRAD Grand Challenge Dataset using the single-epoch modification (SEM) method proposed in this paper which is referred to as (CycleGAN-single) compared to the usual method of training CycleGAN on around 200 epochs (CycleGAN-multi). Model performance were evaluated qualitatively and quantitatively with quantitative performance metrics like PSNR, SSIM, MAE and MSE. The consideration of both quantitative and qualitative performance when evaluating a model is unique to certain image-to-image translation tasks like medical imaging of patient data as detailed in this paper. Also, this paper shows that good quantitative performance does not always imply good qualitative performance and the converse is also not always True (i.e. good qualitative performance does not always imply good quantitative performance). This paper also proposes a lightweight model called FQGA (Fast Paired Image-to-Image Translation Quarter-Generator Adversary) which has 1/4 the number of parameters compared to CycleGAN (when comparing their Generator Models). FQGA outperforms CycleGAN qualitatively and quantitatively even only after training on 20 epochs. Finally, using SEM method on FQGA allowed it to again outperform CycleGAN both quantitatively and qualitatively. These performance gains even with fewer model parameters and fewer epochs (which will result in time and computational savings) may also be applicable to other image-to-image translation tasks in Machine Learning apart from the Medical image-translation task discussed in this paper between Cone Beam Computed Tomography (CBCT) and Computed Tomography (CT) images.

چکیده به فارسی (ترجمه ماشینی)

Cyclegan با استفاده از روش اصلاح تک epoch (SEM) در این مقاله که در این مقاله به عنوان (CycleGan-Single) در مقایسه با روش معمول CycleGan در حدود 200 دوره (Cyclegan-Multi) به عنوان (Cyclegan-Single) گفته می شود ، در مجموعه داده های Synthrad Grand Challenge آموزش داده شد.عملکرد مدل از نظر کیفی و کمی با معیارهای عملکرد کمی مانند PSNR ، SSIM ، MAE و MSE مورد بررسی قرار گرفت.در نظر گرفتن هر دو عملکرد کمی و کیفی هنگام ارزیابی یک مدل ، برای برخی از وظایف ترجمه تصویر به تصویر مانند تصویربرداری پزشکی از داده های بیمار به طور مفصل در این مقاله منحصر به فرد است.همچنین ، این مقاله نشان می دهد که عملکرد کمی خوب همیشه به معنای عملکرد کیفی خوب نیست و مکالمه نیز همیشه درست نیست (یعنی عملکرد کیفی خوب همیشه به معنای عملکرد کمی خوب نیست).در این مقاله همچنین یک مدل سبک به نام FQGA (سریع ترجمه ترجمه تصویر به تصویر به تصویر به تصویر می رود) که دارای 1/4 تعداد پارامترها در مقایسه با CycleGan (هنگام مقایسه مدل های ژنراتور آنها) است.FQGA از Cyclegan از لحاظ کیفی و کمی بهتر است حتی پس از آموزش در 20 دوره.سرانجام ، استفاده از روش SEM در FQGA به آن اجازه داد تا دوباره از CycleGan هم از نظر کمی و هم از نظر کیفی بهتر عمل کند.این عملکرد حتی با پارامترهای مدل کمتر و دوره های کمتری (که منجر به صرفه جویی در زمان و محاسباتی می شود) نیز ممکن است برای سایر کارهای ترجمه تصویر به تصویر در یادگیری ماشین جدا از کار ترجمه تصویر پزشکی که در این مقاله مورد بحث قرار گرفته است ، کاربرد داشته باشد.توموگرافی محاسبه شده پرتو Cone (CBCT) و توموگرافی کامپیوتری (CT).