論文の概要: Mutual Information-based Disentangled Neural Networks for Classifying
Unseen Categories in Different Domains: Application to Fetal Ultrasound
Imaging
- arxiv url: http://arxiv.org/abs/2011.00739v2
- Date: Tue, 6 Apr 2021 17:11:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 16:29:24.818108
- Title: Mutual Information-based Disentangled Neural Networks for Classifying
Unseen Categories in Different Domains: Application to Fetal Ultrasound
Imaging
- Title（参考訳）: 相互情報に基づく異種分類のための異種ニューラルネットワーク-胎児超音波イメージングへの応用-
- Authors: Qingjie Meng, Jacqueline Matthew, Veronika A. Zimmer, Alberto Gomez,
David F.A. Lloyd, Daniel Rueckert, Bernhard Kainz
- Abstract要約: ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。
本稿では,MIDNet(Multual Information-based Disentangled Neural Networks)を提案する。
2つの異なる画像分類タスクのための胎児超音波データセットについて,提案手法を広範囲に評価した。
- 参考スコア（独自算出の注目度）: 10.504733425082335
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks exhibit limited generalizability across images with
different entangled domain features and categorical features. Learning
generalizable features that can form universal categorical decision boundaries
across domains is an interesting and difficult challenge. This problem occurs
frequently in medical imaging applications when attempts are made to deploy and
improve deep learning models across different image acquisition devices, across
acquisition parameters or if some classes are unavailable in new training
databases. To address this problem, we propose Mutual Information-based
Disentangled Neural Networks (MIDNet), which extract generalizable categorical
features to transfer knowledge to unseen categories in a target domain. The
proposed MIDNet adopts a semi-supervised learning paradigm to alleviate the
dependency on labeled data. This is important for real-world applications where
data annotation is time-consuming, costly and requires training and expertise.
We extensively evaluate the proposed method on fetal ultrasound datasets for
two different image classification tasks where domain features are respectively
defined by shadow artifacts and image acquisition devices. Experimental results
show that the proposed method outperforms the state-of-the-art on the
classification of unseen categories in a target domain with sparsely labeled
training data.
- Abstract（参考訳）: ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。
ドメイン間の普遍的な分類的決定境界を形成することのできる一般化可能な特徴の学習は、興味深く難しい課題である。
この問題は、異なる画像取得装置にまたがってディープラーニングモデルをデプロイし改善しようとする試みや、取得パラメータを越えて、あるいは新しいトレーニングデータベースでいくつかのクラスが利用できない場合に頻繁に発生する。
この問題に対処するために,対象領域の未知のカテゴリに知識を伝達するための一般化可能なカテゴリ特徴を抽出する,相互情報に基づく異方性ニューラルネットワーク (midnet) を提案する。
提案したMIDNetは,ラベル付きデータへの依存性を軽減するために,半教師付き学習パラダイムを採用している。
これは、データアノテーションが時間がかかり、コストがかかり、トレーニングと専門知識を必要とする現実のアプリケーションにとって重要である。
提案手法は, シャドーアーティファクトと画像取得装置でそれぞれドメイン特徴を定義できる2つの異なる画像分類タスクに対して, 胎児超音波データセットを用いて広範囲に評価する。
実験結果から,本手法は対象領域における未確認カテゴリの分類において,少ないラベル付きトレーニングデータで最先端の手法であることがわかった。
関連論文リスト
- Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。
提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
論文 参考訳（メタデータ） (2024-01-02T00:31:41Z) - Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳（メタデータ） (2022-08-25T15:27:55Z) - Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。
本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。
提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文 参考訳（メタデータ） (2021-05-01T13:19:02Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - DoFE: Domain-oriented Feature Embedding for Generalizable Fundus Image
Segmentation on Unseen Datasets [96.92018649136217]
対象ドメインに対するCNNの一般化能力を向上させるために,新しいドメイン指向特徴埋め込み(DoFE)フレームワークを提案する。
私たちのDoFEフレームワークは、マルチソースドメインから学んだ追加のドメイン事前知識で、画像機能を動的に強化します。
本フレームワークは、未確認データセットのセグメンテーション結果を満足して生成し、他の領域の一般化やネットワークの正規化手法を超越する。
論文 参考訳（メタデータ） (2020-10-13T07:28:39Z) - Domain Generalization for Medical Imaging Classification with
Linear-Dependency Regularization [59.5104563755095]
本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。
医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
論文 参考訳（メタデータ） (2020-09-27T12:30:30Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - Self-Path: Self-supervision for Classification of Pathology Images with
Limited Annotations [4.713391888104896]
病理画像における一般化可能な領域不変表現を学習するために,ラベルのないデータを活用する自己教師付きCNN手法を提案する。
病理画像における文脈的・多解像度・意味的特徴を活用する新しい領域固有のセルフスーパービジョンタスクを導入する。
論文 参考訳（メタデータ） (2020-08-12T21:02:32Z) - Learning Cross-domain Generalizable Features by Representation
Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。
本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。
本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文 参考訳（メタデータ） (2020-02-29T17:53:16Z)
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。