論文の概要: Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation

• arxiv url: http://arxiv.org/abs/2103.02220v1
• Date: Wed, 3 Mar 2021 07:07:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-07 00:26:25.544136
• Title: Unsupervised Domain Adaptation Network with Category-Centric Prototype Aligner for Biomedical Image Segmentation
• Title（参考訳）: 生物医学画像分割のためのカテゴリ中心プロトタイプアグリグナーを用いた非監視領域適応ネットワーク
• Authors: Ping Gong, Wenwen Yu, Qiuwen Sun, Ruohan Zhao, Junfeng Hu
• Abstract要約: 本稿では,ラベル付きソースドメインから非ラベル付きターゲットドメインへ学習したモデルを一般化するための新しい非監視ドメイン適応ネットワークを提案する。 具体的には,条件付きドメイン判別器(cdd)とカテゴリ中心プロトタイプライナー(ccpa)という2つのキーモジュールからなる。
• 参考スコア（独自算出の注目度）: 1.1799563040751586
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the widespread success of deep learning in biomedical image segmentation, domain shift becomes a critical and challenging problem, as the gap between two domains can severely affect model performance when deployed to unseen data with heterogeneous features. To alleviate this problem, we present a novel unsupervised domain adaptation network, for generalizing models learned from the labeled source domain to the unlabeled target domain for cross-modality biomedical image segmentation. Specifically, our approach consists of two key modules, a conditional domain discriminator~(CDD) and a category-centric prototype aligner~(CCPA). The CDD, extended from conditional domain adversarial networks in classifier tasks, is effective and robust in handling complex cross-modality biomedical images. The CCPA, improved from the graph-induced prototype alignment mechanism in cross-domain object detection, can exploit precise instance-level features through an elaborate prototype representation. In addition, it can address the negative effect of class imbalance via entropy-based loss. Extensive experiments on a public benchmark for the cardiac substructure segmentation task demonstrate that our method significantly improves performance on the target domain.
• Abstract（参考訳）: バイオメディカルイメージセグメンテーションにおける深層学習の成功により、ドメイン間のギャップが不均一な特徴を持つ未確認データに展開する際のモデルパフォーマンスに深刻な影響を及ぼすため、ドメインシフトは重要かつ困難な問題となる。 そこで本研究では,ラベル付きソースドメインから非ラベル付きターゲットドメインに学習したモデルを一般化して,クロスモダリティバイオメディカル画像分割のための新しい非監視ドメイン適応ネットワークを提案する。 具体的には、条件付きドメイン識別器〜(CDD)とカテゴリ中心のプロトタイプアライメント器〜(CCPA)の2つのキーモジュールからなる。 CDDは、分類作業における条件付きドメイン敵ネットワークから拡張され、複雑なクロスモダリティバイオメディカルイメージの処理に有効で堅牢である。 CCPAは、クロスドメインオブジェクト検出におけるグラフ誘発プロトタイプアライメント機構から改善され、精巧なプロトタイプ表現を通じて、正確なインスタンスレベルの特徴を活用できる。 さらに、エントロピーに基づく損失によるクラス不均衡の負の効果にも対処できる。 心臓サブストラクショナルセグメンテーションタスクの公開ベンチマークに関する広範囲な実験により,本手法が目標領域の性能を大幅に改善することを示した。

関連論文リスト

• Cluster Entropy: Active Domain Adaptation in Pathological Image Segmentation [7.500364675640502]
  半教師付きドメイン適応に使用される有効全スライド画像(WSI)を選択するクラスタエントロピーを提案する。 このアプローチは、WSIのイメージ特徴がターゲットドメイン全体の分布をどのようにカバーしているかを測定することができる。 本手法は,2つの病院から収集したデータセットの先行技術に対して,競争力のある結果を得た。
  論文  参考訳（メタデータ） (2023-04-26T12:53:41Z)
• Unsupervised Domain Adaptation for Cross-Modality Retinal Vessel Segmentation via Disentangling Representation Style Transfer and Collaborative Consistency Learning [3.9562534927482704]
  ドメインシフトが大きいタスクに対する、新しいクロスモーダルな教師なしドメイン適応フレームワークDCDAを提案する。 本フレームワークは,OCTAからOCT,OCTからOCTAまで,目標に訓練されたオラクルに近いDiceスコアを達成し,他の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-01-13T07:03:16Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• Exploring Categorical Regularization for Domain Adaptive Object Detection [27.348272177261233]
  ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。 一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。 提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
  論文  参考訳（メタデータ） (2020-03-20T08:53:10Z)
• Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
  我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。 提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-02-06T13:49:47Z)
• Domain Adaptive Medical Image Segmentation via Adversarial Learning of Disease-Specific Spatial Patterns [6.298270929323396]
  複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。 我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。 対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
  論文  参考訳（メタデータ） (2020-01-25T13:48:02Z)

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。