論文の概要: Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation

• arxiv url: http://arxiv.org/abs/2004.00074v1
• Date: Tue, 31 Mar 2020 19:43:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 01:52:40.278938
• Title: Graph Domain Adaptation for Alignment-Invariant Brain Surface Segmentation
• Title（参考訳）: アライメント不変脳表面セグメンテーションのためのグラフ領域適応
• Authors: Karthik Gopinath, Christian Desrosiers, and Herve Lombaert
• Abstract要約: 近年の進歩により、皮質データ上のグラフ畳み込みを通じて、複数の脳表面を直接的に学習できるようになっている。 ドメイン適応において、ドメイン間のセグメンテーション性能を改善するために、敵対的トレーニングが広く使用されている。 我々は、MindBoggleから抽出した複数のターゲットドメインに適用した非敵的トレーニング戦略に対して、8%の平均的な改善を示す。
• 参考スコア（独自算出の注目度）: 9.430867304159179
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The varying cortical geometry of the brain creates numerous challenges for its analysis. Recent developments have enabled learning surface data directly across multiple brain surfaces via graph convolutions on cortical data. However, current graph learning algorithms do fail when brain surface data are misaligned across subjects, thereby affecting their ability to deal with data from multiple domains. Adversarial training is widely used for domain adaptation to improve the segmentation performance across domains. In this paper, adversarial training is exploited to learn surface data across inconsistent graph alignments. This novel approach comprises a segmentator that uses a set of graph convolution layers to enable parcellation directly across brain surfaces in a source domain, and a discriminator that predicts a graph domain from segmentations. More precisely, the proposed adversarial network learns to generalize a parcellation across both, source and target domains. We demonstrate an 8% mean improvement in performance over a non-adversarial training strategy applied on multiple target domains extracted from MindBoggle, the largest publicly available manually-labeled brain surface dataset.
• Abstract（参考訳）: 脳の様々な皮質形状は、その解析に多くの課題を生み出している。 近年の進歩により、皮質データのグラフ畳み込みを通じて、複数の脳表面を直接学習できるようになっている。 しかし、現在のグラフ学習アルゴリズムは、脳表面データを被験者間でミスアライメントした場合に失敗するため、複数の領域のデータを扱う能力に影響を及ぼす。 ドメイン適応では、ドメイン間のセグメンテーションパフォーマンスを改善するために、敵対的トレーニングが広く使われている。 本稿では,非整合グラフアライメントにまたがる表面データを学習するために,逆訓練を利用する。 この斬新なアプローチは、一連のグラフ畳み込み層を使用して、ソースドメイン内の脳表面を直接横断するパーセレーションを可能にするセグメンタと、セグメンテーションからグラフドメインを予測する判別器とを含む。 より正確には、提案する敵ネットワークは、ソースドメインとターゲットドメインの両方でパーセレーションを一般化することを学ぶ。 我々は、MindBoggleから抽出した複数のターゲットドメインに適用した非敵的トレーニング戦略よりも、8%の平均的なパフォーマンス向上を実証した。

関連論文リスト

• SA-GDA: Spectral Augmentation for Graph Domain Adaptation [38.71041292000361]
  グラフニューラルネットワーク(GNN)は、グラフ関連のタスクに対して印象的な成果を上げている。 本稿では、グラフノード分類のためのグラフドメイン適応のためのtextitSpectral Augmentation(method)を提案する。 特徴集約のための局所的および大域的一貫性を協調的に活用するデュアルグラフ畳み込みネットワークを開発した。
  論文  参考訳（メタデータ） (2024-08-17T13:01:45Z)
• Domain Adaptive Graph Classification [0.0]
  本稿では,グラフトポロジを二分枝から探索し,二分枝学習による領域差を緩和するDual Adversarial Graph Representation Learning(DAGRL)を提案する。 提案手法では,適応的な摂動を二重分岐に組み込み,ソースとターゲット分布をドメインの整合性に対応させる。
  論文  参考訳（メタデータ） (2023-12-21T02:37:56Z)
• Unsupervised Domain Adaptation for Point Cloud Semantic Segmentation via Graph Matching [14.876681993079062]
  本稿では,2つの領域間の局所的な特徴アライメントを探索するグラフベースのフレームワークを提案する。 また、カテゴリー誘導型コントラスト損失を定式化し、セグメント化モデルを誘導し、対象領域における識別的特徴を学習する。
  論文  参考訳（メタデータ） (2022-08-09T02:30:15Z)
• Graph Domain Adaptation: A Generative View [24.92864775423047]
  グラフ構造データに対する非教師なし領域適応法を提案する。 提案手法は,従来のドメイン適応法と非交叉型ドメイン適応法を著しく上回っている。
  論文  参考訳（メタデータ） (2021-06-14T15:11:57Z)
• Domain Adaptation in LiDAR Semantic Segmentation by Aligning Class Distributions [9.581605678437032]
  この研究は、LiDARセマンティックセグメンテーションモデルに対する教師なしドメイン適応の問題に対処する。 我々のアプローチは、現在の最先端のアプローチの上に新しいアイデアを結合し、新しい最先端の成果をもたらす。
  論文  参考訳（メタデータ） (2020-10-23T08:52:15Z)
• A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
  大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。 多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。 限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
  論文  参考訳（メタデータ） (2020-09-01T00:06:50Z)
• Cross-Domain Facial Expression Recognition: A Unified Evaluation Benchmark and Adversarial Graph Learning [85.6386289476598]
  我々は,クロスドメイン全体的特徴共適応のための新しい逆グラフ表現適応(AGRA)フレームワークを開発した。 我々は,いくつかの一般的なベンチマークで広範囲かつ公平な評価を行い,提案したAGRAフレームワークが従来の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-08-03T15:00:31Z)
• Adversarial Graph Representation Adaptation for Cross-Domain Facial Expression Recognition [86.25926461936412]
  本稿では,グラフ表現の伝播と逆学習を両立させる新しいAdrialversa Graph Representation Adaptation (AGRA) フレームワークを提案する。 提案するAGRAフレームワークは,従来の最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2020-08-03T13:27:24Z)
• Adversarial Bipartite Graph Learning for Video Domain Adaptation [50.68420708387015]
  ドメイン適応技術は,異なる領域間のモデルを適応させることに重点を置いているが,ビデオ認識領域ではめったに研究されていない。 近年,映像のソースと対象映像の表現を統一するために,対角学習を活用する視覚領域適応はビデオにはあまり効果がない。 本稿では,ソースとターゲットの相互作用を直接モデル化するAdversarial Bipartite Graph (ABG)学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-31T03:48:41Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。