論文の概要: Residual-CycleGAN based Camera Adaptation for Robust Diabetic Retinopathy Screening

• arxiv url: http://arxiv.org/abs/2007.15874v1
• Date: Fri, 31 Jul 2020 07:10:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-04 07:05:05.635797
• Title: Residual-CycleGAN based Camera Adaptation for Robust Diabetic Retinopathy Screening
• Title（参考訳）: ロバスト糖尿病網膜症スクリーニングにおける残肝-CycleGANを用いたカメラ適応
• Authors: Dalu Yang, Yehui Yang, Tiantian Huang, Binghong Wu, Lei Wang, Yanwu Xu
• Abstract要約: リアルタイムスクリーニングにおいて、自動糖尿病網膜症(DR)検出モデルを適用すると、精度低下が観察される。 カメラブランドが1つしか持たないが、他のブランドのカメラで撮られたイマージで優れたパフォーマンスを実現している、ラベル付きファンドイメージの分類モデルをどうやってトレーニングできるのか? カメラ指向残差GANを提案し、ドメイン適応によりカメラブランドの差異を緩和し、ターゲットカメラ画像の分類性能を高める。
• 参考スコア（独自算出の注目度）: 5.0321876822515295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: There are extensive researches focusing on automated diabetic reti-nopathy (DR) detection from fundus images. However, the accuracy drop is ob-served when applying these models in real-world DR screening, where the fun-dus camera brands are different from the ones used to capture the training im-ages. How can we train a classification model on labeled fundus images ac-quired from only one camera brand, yet still achieves good performance on im-ages taken by other brands of cameras? In this paper, we quantitatively verify the impact of fundus camera brands related domain shift on the performance of DR classification models, from an experimental perspective. Further, we pro-pose camera-oriented residual-CycleGAN to mitigate the camera brand differ-ence by domain adaptation and achieve increased classification performance on target camera images. Extensive ablation experiments on both the EyePACS da-taset and a private dataset show that the camera brand difference can signifi-cantly impact the classification performance and prove that our proposed meth-od can effectively improve the model performance on the target domain. We have inferred and labeled the camera brand for each image in the EyePACS da-taset and will publicize the camera brand labels for further research on domain adaptation.
• Abstract（参考訳）: 基礎画像からの糖尿病網膜症(dr)の自動検出に焦点をあてた広範な研究がある。 しかし、実際のdrスクリーニングでこれらのモデルを適用する場合、精度の低下は観測され、そこでは、訓練中のim-ageをキャプチャするために使用されるものと、楽しいカメラブランドが異なる。 カメラブランドが1つしか持たないが、他のブランドのカメラで撮られたイマージで優れたパフォーマンスを実現している、ラベル付きファンドイメージの分類モデルをどうやってトレーニングできるのか? 本稿では,dr分類モデルの性能に及ぼすファンドスカメラブランドのドメインシフトの影響を,実験的な観点から定量的に検証する。 さらに,領域適応によりカメラブランドの差異を緩和し,対象カメラ画像の分類性能の向上を図るために,カメラ指向残像GANを提案する。 EyePACS da-tasetとプライベートデータセットの両方での大規模なアブレーション実験により、カメラのブランド差が分類性能にシグニフィカライズし、提案したメソオードが対象領域におけるモデル性能を効果的に改善できることが証明された。 我々は、eyepacs da-tasetの各画像のカメラブランドを推測し、ラベル付けし、さらにドメイン適応の研究のためにカメラブランドのラベルを公表する。

関連論文リスト

• Camera-Driven Representation Learning for Unsupervised Domain Adaptive Person Re-identification [33.25577310265293]
  本稿では,カメララベルを利用したカリキュラム学習フレームワークを導入し,情報ソースからターゲットドメインへの知識の伝達を段階的に行う。 各カリキュラムシーケンスに対して、ターゲット領域の人物画像の擬似ラベルを生成し、教師付き方法でreIDモデルをトレーニングする。 擬似ラベルはカメラに対して非常に偏りがあり、同一のカメラから得られた人物画像は、異なるIDであっても同一の擬似ラベルを持つ可能性が高いことを示唆している。
  論文  参考訳（メタデータ） (2023-08-23T04:01:56Z)
• Deep Learning for Event-based Vision: A Comprehensive Survey and Benchmarks [55.81577205593956]
  イベントカメラはバイオインスパイアされたセンサーで、ピクセルごとの強度の変化を非同期に捉える。 深層学習(DL)はこの新興分野に導入され、その可能性のマイニングに活発な研究努力にインスピレーションを与えている。
  論文  参考訳（メタデータ） (2023-02-17T14:19:28Z)
• Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification [61.656149405657246]
  ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。 本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。 Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
  論文  参考訳（メタデータ） (2022-09-27T14:19:00Z)
• Camera Adaptation for Fundus-Image-Based CVD Risk Estimation [20.240895185459618]
  ディープ・ラーニング(DL)とポータブル・ファンド・カメラを組み合わせることで様々なシナリオでCVDのリスクを見積もることができる。 最優先課題の1つは、研究用データベースと生産環境におけるサンプルの違いである。 モデルロバスト性を改善するために, 横方向特徴アライメント事前学習方式と自己注意型カメラ適応モジュールを提案する。
  論文  参考訳（メタデータ） (2022-06-18T13:28:16Z)
• Contrastive Centroid Supervision Alleviates Domain Shift in Medical Image Classification [9.709678461254972]
  Feature Centroid Contrast Learning (FCCL) は、トレーニング中に追加の監視を行うことで、対象領域の分類性能を向上させることができる。 我々は、FCCLが少なくとも3つの画像モダリティに対して優れた性能を達成できるという広範な実験を通して検証する。
  論文  参考訳（メタデータ） (2022-05-31T09:54:17Z)
• Dual Adversarial Adaptation for Cross-Device Real-World Image Super-Resolution [114.26933742226115]
  異なるデバイスからの画像に基づいて訓練された超高解像度(SR)モデルは、異なる画像パターンを示す可能性がある。 本稿では、DADA(Dual Adversarial Adaptation)という、実世界のSRのための教師なしドメイン適応機構を提案する。 3台のカメラで6台のリアル・トゥ・リアル・アダプティブ・セッティングで実験を行い、既存の最先端のアプローチと比較して優れた性能を実現した。
  論文  参考訳（メタデータ） (2022-05-07T02:55:39Z)
• Self-Supervised Learning from Unlabeled Fundus Photographs Improves Segmentation of the Retina [4.815051667870375]
  基礎撮影は網膜イメージングの第一の方法であり、糖尿病網膜症予防に必須である。 現在のセグメンテーション法は、実際の臨床応用に典型的な画像条件や病理の多様性に対して堅牢ではない。 コントラスト型自己教師型学習を用いて,EyePACSデータセットの多種多様な未ラベル画像を利用する。
  論文  参考訳（メタデータ） (2021-08-05T18:02:56Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)
• Camera Invariant Feature Learning for Generalized Face Anti-spoofing [95.30490139294136]
  本稿では,特徴レベルの取得カメラから固有のばらつきの影響を排除したフレームワークについて述べる。 実験により、提案手法はデータセット内設定とデータセット間設定の両方でより良いパフォーマンスを達成できることが示された。
  論文  参考訳（メタデータ） (2021-01-25T13:40:43Z)
• Camera Bias in a Fine Grained Classification Task [5.965220804175455]
  画像取得に使用されるカメラと画像のクラスラベルとの相関関係は畳み込みニューラルネットワーク(CNN)によって利用することができる カメラとラベルの相関関係を持つデータセット上で訓練されたモデルは、それらの相関関係が欠如している画像や、未知のカメラの画像によく当てはまらないことを示す。 本実験は,大域的な色統計,レンズ収差,色変形の重要性,および,カメラに内蔵された画像処理アルゴリズムによって導入される高周波数特性の証明である。
  論文  参考訳（メタデータ） (2020-07-16T19:18:49Z)

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。