| ชื่อบทความที่เผยแพร่ |
Development of OO-Do-Aware Parasite Egg Detection |
| วัน/เดือน/ปี ที่เผยแพร่ |
15 สิงหาคม 2566 |
| การประชุม |
| ชื่อการประชุม |
2023 International Technical Conference on Circuits/Systems, Computers, and Communications (ITC-CSCC) |
| หน่วยงาน/องค์กรที่จัดประชุม |
The Institute of Electronics and Information Engineers (IEIE), Korea |
| สถานที่จัดประชุม |
Grand Hyatt Jeju, Republic of Korea |
| จังหวัด/รัฐ |
Jeju |
| ช่วงวันที่จัดประชุม |
25 มิถุนายน 2566 |
| ถึง |
28 มิถุนายน 2566 |
| Proceeding Paper |
| Volume (ปีที่) |
2023 |
| Issue (เล่มที่) |
1 |
| หน้าที่พิมพ์ |
6 |
| Editors/edition/publisher |
|
| บทคัดย่อ |
The out-of-domain (OO-Do) problem occurs when a machine learning model is presented with test data that does not belong to any of the classes present in the training data. As a result, the model will always render an incorrect prediction, predict OO-Do as one of the trained classes. Parasitic infections can be a significant public health issue, and detecting and identifying parasite eggs in images can be a helpful technology for early diagnosis and treatment. However, a parasite egg detection model may face challenges when presented with out-of-domain (OO-Do) data, which includes images of unrelated objects such as cats, trees, or other irrelevant content.
Previous research developed techniques for detecting out-of-domain samples in object detection to overcome this issue. These methods typically involve modifying a pretrained model for object detection to improve its ability to detect samples outside the domain it was trained. To retain the performance of the original model while improving its ability to detect objects in OO-Do samples, we adopted a two-step approach to address the challenge of the out-of-domain samples. The first step involves classifying the test images using threshold strategies. The second step is employing object detection techniques to detect further and verify the out-of-domain samples. Object detection without threshold strategy and a two-step approach using SoftMax threshold achieved an F1-score of 77.30% and
70.60%, respectively. For out-of-domain image awareness, a two-step approach using SoftMax threshold obtained 57.97% F1-score compared to 29.94% F1-score of object detection without threshold strategy. This suggests that the proposed approach effectively addressed the out-of-domain problem in the context of parasite egg detection. |
| ผู้เขียน |
|
| การประเมินบทความ (Peer Review) |
ไม่มีผู้ประเมินอิสระ |
| มีการเผยแพร่ในระดับ |
นานาชาติ |
| รูปแบบ Proceeding |
Full paper |
| รูปแบบการนำเสนอ |
Oral |
| เป็นส่วนหนึ่งของวิทยานิพนธ์ |
เป็น |
| ผลงานที่นำเสนอได้รับรางวัล |
ไม่ได้รับรางวัล |
| แนบไฟล์ |
|
| Citation |
0
|
|
|
ข้อมูลการเผยแพร่ผลงาน
การเผยแพร่ในรูปของบทความวารสารทางวิชาการ
English