論文の概要: Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search

• arxiv url: http://arxiv.org/abs/2005.05432v2
• Date: Mon, 13 Jul 2020 18:30:20 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-04 20:47:59.142838
• Title: Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search
• Title（参考訳）: 生成潜在探索を用いたWBC分類のためのターゲット非依存領域適応
• Authors: Prashant Pandey, Prathosh AP, Vinay Kyatham, Deepak Mishra and Tathagato Rai Dastidar
• Abstract要約: 教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。 本稿では,対象データを必要としないUDAの手法を提案する。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
• 参考スコア（独自算出の注目度）: 20.199195698983715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automating the classification of camera-obtained microscopic images of White Blood Cells (WBCs) and related cell subtypes has assumed importance since it aids the laborious manual process of review and diagnosis. Several State-Of-The-Art (SOTA) methods developed using Deep Convolutional Neural Networks suffer from the problem of domain shift - severe performance degradation when they are tested on data (target) obtained in a setting different from that of the training (source). The change in the target data might be caused by factors such as differences in camera/microscope types, lenses, lighting-conditions etc. This problem can potentially be solved using Unsupervised Domain Adaptation (UDA) techniques albeit standard algorithms presuppose the existence of a sufficient amount of unlabelled target data which is not always the case with medical images. In this paper, we propose a method for UDA that is devoid of the need for target data. Given a test image from the target data, we obtain its 'closest-clone' from the source data that is used as a proxy in the classifier. We prove the existence of such a clone given that infinite number of data points can be sampled from the source distribution. We propose a method in which a latent-variable generative model based on variational inference is used to simultaneously sample and find the 'closest-clone' from the source distribution through an optimization procedure in the latent space. We demonstrate the efficacy of the proposed method over several SOTA UDA methods for WBC classification on datasets captured using different imaging modalities under multiple settings.
• Abstract（参考訳）: ホワイト血液細胞(WBC)および関連細胞サブタイプのカメラが保持する顕微鏡画像の分類を自動化することは、精巧な手作業による検査・診断のプロセスを支援するため重要視されている。 深層畳み込みニューラルネットワークを用いて開発されたステートオフ・ザ・アーツ(SOTA)メソッドは、トレーニング(ソース)とは異なる設定で得られたデータ(ターゲット)でテストされた場合、ドメインシフトの問題に悩まされる。 ターゲットデータの変化は、カメラ/顕微鏡の種類、レンズ、照明条件などの違いによって引き起こされる可能性がある。 非教師なし領域適応法(unsupervised domain adaptation:uda)の手法は、医学的画像に必ずしも当てはまらない十分な量の未ラベルのターゲットデータの存在を前提とする標準アルゴリズムである。 本稿では,対象データを必要としないUDAの手法を提案する。 対象データからテスト画像が与えられると、分類器のプロキシとして使用されるソースデータから、その 'closest-clone' が取得される。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。 本稿では,変分推論に基づく潜在変数生成モデルを用いて,潜時空間の最適化手法を用いて,ソース分布から「最近クローン」を同時にサンプリングし,発見する手法を提案する。 複数の条件下で異なる画像モダリティを用いたデータセットのWBC分類のための複数のSOTA UDA法に対して提案手法の有効性を示す。

関連論文リスト

• 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)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Unsupervised Domain Adaptive Fundus Image Segmentation with Few Labeled Source Data [17.106866501665916]
  unsupervised domain adapt(UDA)メソッドは、未ラベルのターゲットファンドデータセット上のモデルの一般化能力を高める。 UDAメソッドは常にソースドメインからの十分なラベル付きデータを必要とし、補助的なデータ取得とアノテーションコストをもたらす。 本稿では,ソースデータスタイルを多様化し,データ量を増加させる検索型マルチスタイル不変機構を提案する。 提案手法は,UDAファウンダス・セグメンテーションに基づく最先端のUDAセグメンテーション法と,ラベル付き情報源データとを比較検討した。
  論文  参考訳（メタデータ） (2022-10-10T00:30:48Z)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)
• Back to the Source: Diffusion-Driven Test-Time Adaptation [77.4229736436935]
  テスト時間適応はテスト入力を利用し、シフトしたターゲットデータ上でテストした場合、ソースデータに基づいてトレーニングされたモデルの精度を向上させる。 代わりに、生成拡散モデルを用いて、すべてのテスト入力をソース領域に向けて投影することで、ターゲットデータを更新する。
  論文  参考訳（メタデータ） (2022-07-07T17:14:10Z)
• 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)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Domain Impression: A Source Data Free Domain Adaptation Method [27.19677042654432]
  教師なしドメイン適応法は、ソースデータセットがすべてのラベルで利用可能であると仮定して、ラベルなしのターゲットセットの適応問題を解決する。 本稿では,ソースデータを必要としないドメイン適応手法を提案する。 ソースデータの代わりに、ソースデータに基づいてトレーニングされた分類器のみを提供しています。
  論文  参考訳（メタデータ） (2021-02-17T19:50:49Z)
• Learn by Guessing: Multi-Step Pseudo-Label Refinement for Person Re-Identification [0.0]
  有望なアプローチは、パイプラインの一部として教師なし学習を使用することに依存する。 本稿では,最善のクラスタを選択できるマルチステップ擬似ラベルリファインメント手法を提案する。 我々は、Market1501-DukeMTMCデータセットでUDA Re-IDの最先端を3.4%上回る。
  論文  参考訳（メタデータ） (2021-01-04T20:00:33Z)
• Deep Adversarial Domain Adaptation Based on Multi-layer Joint Kernelized Distance [30.452492118887182]
  ドメイン適応とは、ソースデータから学習したモデルを対象データに適用する学習シナリオを指す。 ソースデータとターゲットデータとの分布差は、適応性能に大きく影響する。 多層共役核距離測定値に基づく深層対向領域適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-09T02:32:48Z)

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。