論文の概要: Source-Relaxed Domain Adaptation for Image Segmentation

• arxiv url: http://arxiv.org/abs/2005.03697v2
• Date: Wed, 7 Apr 2021 20:22:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 23:42:43.440598
• Title: Source-Relaxed Domain Adaptation for Image Segmentation
• Title（参考訳）: 画像分割のためのソース緩和ドメイン適応
• Authors: Mathilde Bateson, Hoel Kervadec, Jose Dolz, Herve Lombaert, Ismail Ben Ayed
• Abstract要約: ドメイン適応(DA)は、ラベル付けされたソースデータに基づいてトレーニングされたモデルを適用し、ラベル付けされていないまたは弱いラベル付けされたターゲットデータでうまく機能する能力に対して、高い関心を集めている。 最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。 このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。
• 参考スコア（独自算出の注目度）: 22.28746775804126
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain adaptation (DA) has drawn high interests for its capacity to adapt a model trained on labeled source data to perform well on unlabeled or weakly labeled target data from a different domain. Most common DA techniques require the concurrent access to the input images of both the source and target domains. However, in practice, it is common that the source images are not available in the adaptation phase. This is a very frequent DA scenario in medical imaging, for instance, when the source and target images come from different clinical sites. We propose a novel formulation for adapting segmentation networks, which relaxes such a constraint. Our formulation is based on minimizing a label-free entropy loss defined over target-domain data, which we further guide with a domain invariant prior on the segmentation regions. Many priors can be used, derived from anatomical information. Here, a class-ratio prior is learned via an auxiliary network and integrated in the form of a Kullback-Leibler (KL) divergence in our overall loss function. We show the effectiveness of our prior-aware entropy minimization in adapting spine segmentation across different MRI modalities. Our method yields comparable results to several state-of-the-art adaptation techniques, even though is has access to less information, the source images being absent in the adaptation phase. Our straight-forward adaptation strategy only uses one network, contrary to popular adversarial techniques, which cannot perform without the presence of the source images. Our framework can be readily used with various priors and segmentation problems.
• Abstract（参考訳）: ドメイン適応(da)は、ラベル付きソースデータでトレーニングされたモデルを異なるドメインからラベル付きまたは弱いラベル付きターゲットデータに対してうまく適用する能力に対して高い関心を集めている。 最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。 しかし、実際には、ソースイメージが適応フェーズでは利用できないことが一般的である。 これは、例えば、ソースとターゲット画像が異なる臨床現場から来ている場合、医療画像における非常に頻繁なDAシナリオである。 このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいており、セグメンテーション領域に先立ってドメイン不変量でガイドする。 解剖学的情報から派生した多くの先行情報が利用できる。 ここでは、クラス比の事前学習は補助的ネットワークを介して行われ、全体的な損失関数にクルバック・リブラー(KL)の発散という形で統合される。 異なるMRIモダリティにおける脊髄分節の適応における,前向きエントロピー最小化の有効性を示す。 提案手法は,情報量が少ないが,ソース画像は適応段階で欠落しているにもかかわらず,最先端の適応手法に匹敵する結果が得られる。 我々のストレートフォワード適応戦略は、一般的な敵技術とは対照的に、1つのネットワークのみを使用し、ソースイメージがなければ実行できない。 我々のフレームワークは、様々な先行問題やセグメンテーション問題で簡単に利用できる。

関連論文リスト

• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。 以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
  論文  参考訳（メタデータ） (2022-11-21T14:57:04Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Source-Free Domain Adaptation for Image Segmentation [17.23158602100665]
  画像セグメンテーションのためのソースフリーなドメイン適応を導入する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいている。 様々なドメイン適応シナリオにおいて,事前認識したエントロピー最小化の有効性を示す。
  論文  参考訳（メタデータ） (2021-08-06T14:56:31Z)
• Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images [13.693640425403636]
  非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。 UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。 本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-01-02T22:12:42Z)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)
• 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。