論文の概要: Overview of Scanner Invariant Representations

• arxiv url: http://arxiv.org/abs/2006.00115v1
• Date: Fri, 29 May 2020 22:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-11-26 23:23:00.850183
• Title: Overview of Scanner Invariant Representations
• Title（参考訳）: スキャナ不変表現の概要
• Authors: Daniel Moyer, Greg Ver Steeg, Paul M. Thompson
• Abstract要約: スキャナー/サイトバイアスを補正しない研究は、統計力を失う。 本稿では,不変表現を用いた教師なし解を提案する。 データ処理を活用することで、不変表現を使用して、元のソースに反するが基盤構造に忠実なイメージ再構成を作成することができる。
• 参考スコア（独自算出の注目度）: 20.335577237272787
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pooled imaging data from multiple sources is subject to bias from each source. Studies that do not correct for these scanner/site biases at best lose statistical power, and at worst leave spurious correlations in their data. Estimation of the bias effects is non-trivial due to the paucity of data with correspondence across sites, so called "traveling phantom" data, which is expensive to collect. Nevertheless, numerous solutions leveraging direct correspondence have been proposed. In contrast to this, Moyer et al. (2019) proposes an unsupervised solution using invariant representations, one which does not require correspondence and thus does not require paired images. By leveraging the data processing inequality, an invariant representation can then be used to create an image reconstruction that is uninformative of its original source, yet still faithful to the underlying structure. In the present abstract we provide an overview of this method.
• Abstract（参考訳）: 複数のソースからプールされたイメージングデータは、各ソースからバイアスを受ける。 これらのスキャナー/サイトバイアスを正さない研究は、統計力を失い、最悪の場合はデータに急激な相関が残る。 バイアス効果の推定は、サイト間の対応を伴うデータのポーシティのため、非自明であり、収集に費用がかかる「トラベリングファントム」データと呼ばれる。 しかし、直接対応を利用した多くの解が提案されている。 これとは対照的に、moyer et al. (2019) は不変表現を用いた教師なし解を提案している。 データ処理の不等式を活用することで、不変表現を使用して、元のソースに反するが基盤構造に忠実なイメージ再構成を作成することができる。 本稿では,本手法の概要を紹介する。

関連論文リスト

• Approximating Counterfactual Bounds while Fusing Observational, Biased and Randomised Data Sources [64.96984404868411]
  我々は、複数の、偏見のある、観察的、介入的な研究からのデータを統合するという問題に対処する。 利用可能なデータの可能性は局所的な最大値を持たないことを示す。 次に、同じアプローチが複数のデータセットの一般的なケースにどのように対処できるかを示す。
  論文  参考訳（メタデータ） (2023-07-31T11:28:24Z)
• Balancing the Picture: Debiasing Vision-Language Datasets with Synthetic Contrast Sets [52.77024349608834]
  視覚言語モデルは、インターネットから未計算の画像テキストペアの事前トレーニング中に学んだ社会的バイアスを永続し、増幅することができる。 COCO Captionsは、背景コンテキストとその場にいる人々の性別間のバイアスを評価するために最も一般的に使用されるデータセットである。 本研究では,COCOデータセットを男女バランスの取れたコントラストセットで拡張する新しいデータセットデバイアスパイプラインを提案する。
  論文  参考訳（メタデータ） (2023-05-24T17:59:18Z)
• What can we learn about a generated image corrupting its latent representation? [57.1841740328509]
  GANのボトルネックにおける潜在表現に基づいて画像品質を予測できるという仮説を考察する。 遅延表現を雑音で破壊し、複数の出力を生成することでこれを実現できる。
  論文  参考訳（メタデータ） (2022-10-12T14:40:32Z)
• Unsupervised Joint Image Transfer and Uncertainty Quantification using Patch Invariant Networks [0.0]
  教師なし画像転送は、大量のペアトレーニングデータが不足している医療アプリケーションに対して、モダリティ内およびモダリティ間転送を可能にする。 既存の医療画像転送の方法は、一般にサイクル一貫性に基づいており、追加のリソースと不安定を引き起こす。 本稿では,一方向領域マッピングのための新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-07-09T19:13:00Z)
• Causal Transportability for Visual Recognition [70.13627281087325]
  画像とラベルの関連性は、設定間では転送できないため、標準分類器がフェールすることを示す。 次に、すべての共起源を摂食する因果効果が、ドメイン間で不変であることを示す。 これにより、画像分類における因果効果を推定するアルゴリズムを開発する動機付けとなる。
  論文  参考訳（メタデータ） (2022-04-26T15:02:11Z)
• Data Generation using Texture Co-occurrence and Spatial Self-Similarity for Debiasing [6.976822832216875]
  本稿では, 反対ラベル付き画像のテクスチャ表現を用いて, 付加画像を明示的に生成する新しいデバイアス手法を提案する。 新たに生成された各画像は、反対ラベルのターゲット画像からテクスチャを転送しながら、ソース画像から類似した空間情報を含む。 本モデルでは,生成画像のテクスチャがターゲットと類似しているか否かを決定するテクスチャ共起損失と,生成画像とソース画像間の空間的詳細がよく保存されているかどうかを決定する空間的自己相似損失とを統合する。
  論文  参考訳（メタデータ） (2021-10-15T08:04:59Z)
• Inverse Problems Leveraging Pre-trained Contrastive Representations [88.70821497369785]
  破損したデータの表現を復元するための新しい逆問題群について検討する。 コントラスト目的を用いた教師付きインバージョン手法を提案する。 提案手法は,幅広いフォワード演算子においてラベル付きデータのごく一部であっても,エンド・ツー・エンドのベースラインよりも優れる。
  論文  参考訳（メタデータ） (2021-10-14T15:06:30Z)
• BiaSwap: Removing dataset bias with bias-tailored swapping augmentation [20.149645246997668]
  ディープニューラルネットワークは、データセット固有のスプリットな相関に基づいて決定することが多く、偏りのないデータ分布を一般化することができない。 本稿では,バイアスタイプの監督を必要とせず,非バイアス表現を学習するための,バイアス調整強化に基づく新しいアプローチBiaSwapを提案する。
  論文  参考訳（メタデータ） (2021-08-23T08:35:26Z)
• Rethinking Content and Style: Exploring Bias for Unsupervised Disentanglement [59.033559925639075]
  本研究では,異なる要因が画像再構成において重要度や人気度が異なるという仮定に基づいて,教師なしc-s異節の定式化を提案する。 モデルインダクティブバイアスは,提案したC-Sアンタングルメントモジュール(C-S DisMo)によって導入された。 いくつかの一般的なデータセットに対する実験により、我々の手法が最先端の教師なしC-Sアンタングルメントを実現することを示す。
  論文  参考訳（メタデータ） (2021-02-21T08:04:33Z)
• Local Propagation for Few-Shot Learning [13.729138917245931]
  2つの方向は (a) 局所的な画像表現を使い、基本的に定数係数でデータの量を乗算し、 (b) よりラベルのないデータを使って、複数のクエリを共同で行う。 本研究では,これら2つのアイデアをまとめて,emphlocal propagationを導入する。 我々は,非帰納的および帰納的両方の設定下での少数ショット推論に対して,普遍的に安全な選択肢を提供し,対応する手法よりも精度を向上する。
  論文  参考訳（メタデータ） (2021-01-05T12:26:23Z)
• Multi-temporal and multi-source remote sensing image classification by nonlinear relative normalization [17.124438150480326]
  emカーネル化により,異なるドメインのデータを非線形に整列する手法を検討する。 我々は,超スペクトルイメージングのためのシャドウイングに不変なモデルを作成する作業に加えて,多時間的および多元的超高分解能分類タスクにおいてkemaのテストに成功した。
  論文  参考訳（メタデータ） (2020-12-07T08:46:11Z)

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。