YY
Yasushi Yagi
Author with expertise in Gait Recognition for Human Identification
Achievements
Cited Author
Open Access Advocate
Key Stats
Upvotes received:
0
Publications:
10
(70% Open Access)
Cited by:
1,689
h-index:
45
/
i10-index:
181
Reputation
Biology
< 1%
Chemistry
< 1%
Economics
< 1%
Show more
How is this calculated?
Publications
0

On Input/Output Architectures for Convolutional Neural Network-Based Cross-View Gait Recognition

Noriko Takemura et al.Oct 9, 2017
In this paper, we discuss input/output architectures for convolutional neural network (CNN)-based cross-view gait recognition. For this purpose, we consider two aspects: verification versus identification and the tradeoff between spatial displacements caused by subject difference and view difference. More specifically, we use the Siamese network with a pair of inputs and contrastive loss for verification and a triplet network with a triplet of inputs and triplet ranking loss for identification. The aforementioned CNN architectures are insensitive to spatial displacement, because the difference between a matching pair is calculated at the last layer after passing through the convolution and max pooling layers; hence, they are expected to work relatively well under large view differences. By contrast, because it is better to use the spatial displacement to its best advantage because of the subject difference under small view differences, we also use CNN architectures where the difference between a matching pair is calculated at the input level to make them more sensitive to spatial displacement. We conducted experiments for cross-view gait recognition and confirmed that the proposed architectures outperformed the state-of-the-art benchmarks in accordance with their suitable situations of verification/identification tasks and view differences.
1

Identification of bacterial drug-resistant cells by the convolutional neural network in transmission electron microscope images

Mitsuko Hayashi-Nishino et al.Oct 19, 2021
Abstract The emergence of bacteria that are resistant to antibiotics is common in areas where antibiotics are used widely. The current standard procedure for detecting bacterial drug resistance is based on bacterial growth under antibiotic treatments. Here we describe the morphological changes in enoxacin-resistant Escherichia coli cells and the computational method used to identify these resistant cells in transmission electron microscopy (TEM) images without using antibiotics. Our approach was to create patches from TEM images of enoxacin-sensitive and enoxacin-resistant E. coli strains, use a convolutional neural network for patch classification, and identify the strains on the basis of the classification results. The proposed method was highly accurate in classifying cells, achieving an accuracy rate of 0.94. Using a gradient-weighted class activation mapping to visualize the region of interest, enoxacin-resistant and enoxacin-sensitive cells were characterized by comparing differences in the envelope. Moreover, Pearson’s correlation coefficients suggested that four genes, including lpp , the gene encoding the major outer membrane lipoprotein, were strongly associated with the image features of enoxacin-resistant cells.