論文の概要: Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2103.08454v1
- Date: Mon, 15 Mar 2021 15:23:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 14:04:37.070147
- Title: Margin Preserving Self-paced Contrastive Learning Towards Domain
Adaptation for Medical Image Segmentation
- Title（参考訳）: 医学画像分割のための領域適応に向けた自己ペースコントラスト学習のマージン
- Authors: Zhizhe Liu, Zhenfeng Zhu, Shuai Zheng, Yang Liu, Jiayu Zhou and Yao
Zhao
- Abstract要約: クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習モデルを保存する新しいマージンを提案する。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
クロスモーダル心セグメンテーションタスクの実験は、MPSCLが意味セグメンテーション性能を大幅に改善することを示した。
- 参考スコア（独自算出の注目度）: 51.93711960601973
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To bridge the gap between the source and target domains in unsupervised
domain adaptation (UDA), the most common strategy puts focus on matching the
marginal distributions in the feature space through adversarial learning.
However, such category-agnostic global alignment lacks of exploiting the
class-level joint distributions, causing the aligned distribution less
discriminative. To address this issue, we propose in this paper a novel margin
preserving self-paced contrastive Learning (MPSCL) model for cross-modal
medical image segmentation. Unlike the conventional construction of contrastive
pairs in contrastive learning, the domain-adaptive category prototypes are
utilized to constitute the positive and negative sample pairs. With the
guidance of progressively refined semantic prototypes, a novel margin
preserving contrastive loss is proposed to boost the discriminability of
embedded representation space. To enhance the supervision for contrastive
learning, more informative pseudo-labels are generated in target domain in a
self-paced way, thus benefiting the category-aware distribution alignment for
UDA. Furthermore, the domain-invariant representations are learned through
joint contrastive learning between the two domains. Extensive experiments on
cross-modal cardiac segmentation tasks demonstrate that MPSCL significantly
improves semantic segmentation performance, and outperforms a wide variety of
state-of-the-art methods by a large margin.
- Abstract（参考訳）: 教師なしドメイン適応(UDA)におけるソースとターゲットドメインのギャップを埋めるために、最も一般的な戦略は、敵対的学習を通じて特徴空間の限界分布のマッチングに焦点を当てる。
しかし、そのようなカテゴリーに依存しないグローバルアライメントは、クラスレベルのジョイント分布を活用できないため、アライメント分布の識別性が低下する。
そこで本論文では,クロスモーダル医療画像セグメンテーションのための自己ペースコントラスト学習(MPSCL)モデルを保存する新しいマージンを提案する。
コントラスト学習におけるコントラストペアの従来の構成とは異なり、ドメイン適応カテゴリのプロトタイプは正と負のサンプルペアを構成するために利用される。
プログレッシブに洗練されたセマンティックプロトタイプの指導により、埋め込み表現空間の識別性を高めるために、コントラスト損失を減少させる新しいマージンが提案される。
コントラスト学習の監督を強化するために、より情報性の高い擬似ラベルを自己ペースでターゲットドメインに生成し、UDAのカテゴリ認識分布アライメントの恩恵を受ける。
さらに、ドメイン不変表現は2つのドメイン間の共同コントラスト学習によって学習される。
クロスモーダル心セグメンテーションタスクの広範囲な実験により、MPSCLは意味セグメンテーション性能を著しく改善し、様々な最先端手法を大きなマージンで上回ることを示した。
関連論文リスト
- PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain
Adaptative Semantic Segmentation [100.6343963798169]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。
そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-14T18:31:24Z) - Unsupervised Domain Adaptive Fundus Image Segmentation with
Category-level Regularization [25.58501677242639]
本稿では、カテゴリーレベルの正規化に基づく教師なしドメイン適応フレームワークを提案する。
2つの公開ファンドデータセットの実験により、提案手法は他の最先端比較アルゴリズムよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-07-08T04:34:39Z) - Distribution Regularized Self-Supervised Learning for Domain Adaptation
of Semantic Segmentation [3.284878354988896]
本稿では,セマンティックセグメンテーションの自己教師付きドメイン適応のための画素レベル分布正規化スキーム(DRSL)を提案する。
典型的な環境では、分類損失はセマンティックセグメンテーションモデルにクラス間のバリエーションをキャプチャする表現を欲しがらせるように強制する。
クラス認識型マルチモーダル分布学習により,ピクセルレベルのクラス内変動を捉える。
論文 参考訳（メタデータ） (2022-06-20T09:52:49Z) - Self-semantic contour adaptation for cross modality brain tumor
segmentation [13.260109561599904]
本稿では,前駆的なタスクへの適応を容易にするために,低レベルエッジ情報を活用することを提案する。
正確な輪郭は、意味適応を導くために空間情報を提供する。
われわれはBraTS2018データベース上で脳腫瘍のクロスモーダルセグメンテーションの枠組みについて検討した。
論文 参考訳（メタデータ） (2022-01-13T15:16:55Z) - Cross-Domain Sentiment Classification with In-Domain Contrastive
Learning [38.08616968654886]
クロスドメイン感情分類のためのコントラスト学習フレームワークを提案する。
ドメイン内コントラスト学習とエントロピー最小化を導入する。
我々のモデルは標準ベンチマークで達成される。
論文 参考訳（メタデータ） (2020-12-05T03:48:32Z) - Learning Invariant Representations and Risks for Semi-supervised Domain
Adaptation [109.73983088432364]
半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。
共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
論文 参考訳（メタデータ） (2020-10-09T15:42:35Z) - 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) - Discriminative Cross-Domain Feature Learning for Partial Domain
Adaptation [70.45936509510528]
部分的なドメイン適応は、より大きく多様なソースドメインからの知識を、より少ないクラス数でより小さなターゲットドメインに適応させることを目的としています。
ドメイン適応の最近の実践は、ターゲットドメインの擬似ラベルを組み込むことで、効果的な特徴を抽出する。
ターゲットデータを少数のソースデータのみにアライメントすることが不可欠である。
論文 参考訳（メタデータ） (2020-08-26T03:18:53Z) - 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)
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。