論文の概要: Self domain adapted network

• arxiv url: http://arxiv.org/abs/2007.03162v1
• Date: Tue, 7 Jul 2020 01:41:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-12 19:33:27.254505
• Title: Self domain adapted network
• Title（参考訳）: 自己ドメイン適応型ネットワーク
• Authors: Yufan He, Aaron Carass, Lianrui Zuo, Blake E. Dewey and Jerry L. Prince
• Abstract要約: ドメインシフトは、臨床実践においてディープネットワークをデプロイする上で大きな問題である。 単体テスト対象に迅速に適応できる新しい自己ドメイン適応ネットワーク(SDA-Net)を提案する。
• 参考スコア（独自算出の注目度）: 6.040230864736051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain shift is a major problem for deploying deep networks in clinical practice. Network performance drops significantly with (target) images obtained differently than its (source) training data. Due to a lack of target label data, most work has focused on unsupervised domain adaptation (UDA). Current UDA methods need both source and target data to train models which perform image translation (harmonization) or learn domain-invariant features. However, training a model for each target domain is time consuming and computationally expensive, even infeasible when target domain data are scarce or source data are unavailable due to data privacy. In this paper, we propose a novel self domain adapted network (SDA-Net) that can rapidly adapt itself to a single test subject at the testing stage, without using extra data or training a UDA model. The SDA-Net consists of three parts: adaptors, task model, and auto-encoders. The latter two are pre-trained offline on labeled source images. The task model performs tasks like synthesis, segmentation, or classification, which may suffer from the domain shift problem. At the testing stage, the adaptors are trained to transform the input test image and features to reduce the domain shift as measured by the auto-encoders, and thus perform domain adaptation. We validated our method on retinal layer segmentation from different OCT scanners and T1 to T2 synthesis with T1 from different MRI scanners and with different imaging parameters. Results show that our SDA-Net, with a single test subject and a short amount of time for self adaptation at the testing stage, can achieve significant improvements.
• Abstract（参考訳）: ドメインシフトは、臨床におけるディープネットワークの展開において大きな問題である。 ネットワーク性能は、(ソース)トレーニングデータとは異なる(ターゲット)イメージで著しく低下する。 ターゲットラベルデータがないため、ほとんどの研究は教師なしドメイン適応(UDA)に焦点を当てている。 現在のUDA法は、画像翻訳(ハーモナイゼーション)を行うモデルやドメイン不変の機能を学ぶために、ソースデータとターゲットデータの両方を必要とする。 しかし、ターゲットドメインのデータが少ない場合や、データプライバシのためソースデータが利用できない場合であっても、ターゲットドメイン毎のモデルのトレーニングには時間がかかり、計算コストがかかる。 本稿では,新たな自己ドメイン適応型ネットワーク(SDA-Net)を提案する。 SDA-Netは、アダプタ、タスクモデル、自動エンコーダの3つの部分で構成される。 後者の2つはラベル付きソースイメージでオフラインでトレーニングされている。 タスクモデルは、ドメインシフト問題に悩む可能性のある、合成、セグメンテーション、分類といったタスクを実行する。 テストステージでは、入力されたテストイメージと特徴を変換して、オートエンコーダで測定した領域シフトを低減し、ドメイン適応を行うように、アダプタを訓練する。 我々は、異なるOCTスキャナーからの網膜層セグメンテーションと異なるMRIスキャナーからのT1からT2合成および異なる画像パラメーターを用いたT1からT2合成の検証を行った。 その結果,SDA-Netは単体テスト対象であり,テスト段階での自己適応時間が少ないため,大幅な改善が達成できた。

関連論文リスト

• AdaptDiff: Cross-Modality Domain Adaptation via Weak Conditional Semantic Diffusion for Retinal Vessel Segmentation [10.958821619282748]
  本稿では、AdaptDiffという、教師なしドメイン適応(UDA)手法を提案する。 これにより、眼底撮影(FP)で訓練された網膜血管分割ネットワークが、目に見えないモダリティに対して満足な結果をもたらすことができる。 その結果,全データセットのセグメンテーション性能は大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-06T23:04:29Z)
• Dual-Path Adversarial Lifting for Domain Shift Correction in Online Test-time Adaptation [59.18151483767509]
  テスト時間適応におけるドメインシフト補正のためのデュアルパストークンリフトを導入する。 次に、インターリーブされたトークン予測とドメインシフトトークンのパスとクラストークンのパスの間の更新を行う。 評価実験の結果,提案手法はオンライン完全テスト時間領域適応性能を大幅に向上させることが示された。
  論文  参考訳（メタデータ） (2024-08-26T02:33:47Z)
• 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)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• ProCST: Boosting Semantic Segmentation using Progressive Cyclic Style-Transfer [38.03127458140549]
  ドメイン適応技術を改善するための新しい2段階フレームワークを提案する。 最初のステップでは、複数のスケールのニューラルネットワークを段階的にトレーニングし、ソースデータからターゲットデータへの初期転送を行う。 この新たなデータは、所望のターゲットドメインとのドメインギャップを減らし、適用されたUDAアプローチにより、さらにギャップを埋める。
  論文  参考訳（メタデータ） (2022-04-25T18:01:05Z)
• 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)
• 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)
• Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
  マルチモーダル心臓画像分割のための新しいUDA法を提案する。 提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。 本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
  論文  参考訳（メタデータ） (2021-03-15T08:59:44Z)
• Deep Co-Training with Task Decomposition for Semi-Supervised Domain Adaptation [80.55236691733506]
  半教師付きドメイン適応(SSDA)は、ラベル付きソースドメインからトレーニングされたモデルを、異なるが関連するターゲットドメインに適応させることを目的としている。 本稿では,SSDAタスクを対象ドメイン内の半教師付き学習(SSL)タスクと,ドメイン間の非教師付きドメイン適応(UDA)タスクの2つのサブタスクに明示的に分解することを提案する。
  論文  参考訳（メタデータ） (2020-07-24T17:57:54Z)

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。