論文の概要: Unsupervised learning of multimodal image registration using domain
adaptation with projected Earth Move's discrepancies
- arxiv url: http://arxiv.org/abs/2005.14107v1
- Date: Thu, 28 May 2020 15:57:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 05:03:16.606217
- Title: Unsupervised learning of multimodal image registration using domain
adaptation with projected Earth Move's discrepancies
- Title(参考訳): 投影されたアースモーブの差による領域適応によるマルチモーダル画像登録の教師なし学習
- Authors: Mattias P Heinrich and Lasse Hansen
- Abstract要約: 教師なしのドメイン適応は、マルチモーダル登録の現在の制限を克服するのに有益である。
離散マルチモーダル登録における教師なしドメイン適応の最初の利用を提案する。
概念実証は、犬MRIスキャンのモノモダルからマルチコントラスト(Multi-Contrast)2Dへのドメイン転送が適用可能であることを示す。
- 参考スコア(独自算出の注目度): 8.88841928746097
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multimodal image registration is a very challenging problem for deep learning
approaches. Most current work focuses on either supervised learning that
requires labelled training scans and may yield models that bias towards
annotated structures or unsupervised approaches that are based on hand-crafted
similarity metrics and may therefore not outperform their classical non-trained
counterparts. We believe that unsupervised domain adaptation can be beneficial
in overcoming the current limitations for multimodal registration, where good
metrics are hard to define. Domain adaptation has so far been mainly limited to
classification problems. We propose the first use of unsupervised domain
adaptation for discrete multimodal registration. Based on a source domain for
which quantised displacement labels are available as supervision, we transfer
the output distribution of the network to better resemble the target domain
(other modality) using classifier discrepancies. To improve upon the sliced
Wasserstein metric for 2D histograms, we present a novel approximation that
projects predictions into 1D and computes the L1 distance of their cumulative
sums. Our proof-of-concept demonstrates the applicability of domain transfer
from mono- to multimodal (multi-contrast) 2D registration of canine MRI scans
and improves the registration accuracy from 33% (using sliced Wasserstein) to
44%.
- Abstract(参考訳): マルチモーダル画像登録は、ディープラーニングアプローチにおいて非常に難しい問題である。
現在のほとんどの研究は、ラベル付きトレーニングスキャンを必要とする教師付き学習に重点を置いており、注釈付き構造に偏るモデルや、手作りの類似度メトリクスに基づいた教師なしアプローチをもたらす可能性がある。
優れたメトリクスを定義するのが難しいマルチモーダル登録の現在の制限を克服する上で、教師なしのドメイン適応は有益であると考えています。
ドメイン適応は、これまで主に分類問題に限られてきた。
離散マルチモーダル登録における教師なしドメイン適応の最初の利用を提案する。
量子化された変位ラベルを監視対象とするソースドメインに基づいて,ネットワークの出力分布を,分類器の相違を利用して目的領域(他のモダリティ)によく似ているように転送する。
2次元ヒストグラムのスライスされたワッサースタイン計量を改善するために、予測を1dに投影し、累積和のl1距離を計算する新しい近似を提案する。
概念実証は、犬MRIスキャンのモノモダルからマルチコントラスト(マルチコントラスト)2Dへのドメイン転送の適用性を実証し、登録精度を33%(スライスしたワッサースタイン)から44%に向上させる。
関連論文リスト
- Contrastive Adversarial Training for Unsupervised Domain Adaptation [2.432037584128226]
様々なドメイン適応タスクにおいて、ドメイン逆行訓練がうまく採用されている。
大規模なモデルでは、敵のトレーニングがソースドメインに偏りやすく、ターゲットドメインにはほとんど適応しない。
本稿では、ラベル付きソースドメインのサンプルを利用して、ターゲットドメインの機能生成を強化・調整するコントラッシブ・逆行訓練(CAT)手法を提案する。
論文 参考訳(メタデータ) (2024-07-17T17:59:21Z) - Adapting the Mean Teacher for keypoint-based lung registration under
geometric domain shifts [75.51482952586773]
ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。
本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。
本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
論文 参考訳(メタデータ) (2022-07-01T12:16:42Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳(メタデータ) (2021-08-28T09:29:14Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳(メタデータ) (2021-07-27T14:47:24Z) - Contrastive Learning and Self-Training for Unsupervised Domain
Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。
本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。
提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文 参考訳(メタデータ) (2021-05-05T11:55:53Z) - Instance Level Affinity-Based Transfer for Unsupervised Domain
Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。
まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。
ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文 参考訳(メタデータ) (2021-04-03T01:33:14Z) - 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) - Contradistinguisher: A Vapnik's Imperative to Unsupervised Domain
Adaptation [7.538482310185133]
本研究では,コントラスト特徴を学習するContradistinguisherと呼ばれるモデルを提案する。
Office-31とVisDA-2017における最先端のデータセットを、シングルソースとマルチソースの両方で実現しています。
論文 参考訳(メタデータ) (2020-05-25T19:54:38Z) - Unsupervised Domain Adaptive Object Detection using Forward-Backward
Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。
近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。
本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文 参考訳(メタデータ) (2020-02-03T06:24:58Z)
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。