論文の概要: DARCNN: Domain Adaptive Region-based Convolutional Neural Network for
Unsupervised Instance Segmentation in Biomedical Images
- arxiv url: http://arxiv.org/abs/2104.01325v1
- Date: Sat, 3 Apr 2021 06:54:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-06 14:40:04.790891
- Title: DARCNN: Domain Adaptive Region-based Convolutional Neural Network for
Unsupervised Instance Segmentation in Biomedical Images
- Title（参考訳）: darcnn: 生体画像における教師なしインスタンスセグメンテーションのための領域適応型畳み込みニューラルネットワーク
- Authors: Joy Hsu, Wah Chiu, Serena Yeung
- Abstract要約: ベンチマークコンピュータビジョンデータセットのアノテーションを多用し、多様なバイオメディカルデータセットに対して教師なしのインスタンスセグメンテーションを実行することを提案する。
本研究では,COCOからのオブジェクト定義の知識を複数のバイオメディカルデータセットに適用するドメイン適応型領域ベース畳み込みニューラルネットワーク(DARCNN)を提案する。
多数のバイオメディカルデータセット上での教師なしインスタンスセグメンテーションにおけるDARCNNの性能を示す。
- 参考スコア（独自算出の注目度）: 4.3171602814387136
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the biomedical domain, there is an abundance of dense, complex data where
objects of interest may be challenging to detect or constrained by limits of
human knowledge. Labelled domain specific datasets for supervised tasks are
often expensive to obtain, and furthermore discovery of novel distinct objects
may be desirable for unbiased scientific discovery. Therefore, we propose
leveraging the wealth of annotations in benchmark computer vision datasets to
conduct unsupervised instance segmentation for diverse biomedical datasets. The
key obstacle is thus overcoming the large domain shift from common to
biomedical images. We propose a Domain Adaptive Region-based Convolutional
Neural Network (DARCNN), that adapts knowledge of object definition from COCO,
a large labelled vision dataset, to multiple biomedical datasets. We introduce
a domain separation module, a self-supervised representation consistency loss,
and an augmented pseudo-labelling stage within DARCNN to effectively perform
domain adaptation across such large domain shifts. We showcase DARCNN's
performance for unsupervised instance segmentation on numerous biomedical
datasets.
- Abstract（参考訳）: 生物医学領域では、興味の対象が人間の知識の限界によって検出または制限されることが困難であるような、密度の高い複雑なデータが豊富に存在する。
教師付きタスクのためのラベル付きドメイン固有データセットは、しばしば取得に費用がかかり、さらに新しい異なるオブジェクトの発見は、偏りのない科学的発見に望ましいかもしれない。
そこで我々は,ベンチマークコンピュータビジョンデータセットの豊富なアノテーションを活用し,多様なバイオメディカルデータセットに対する教師なしインスタンスセグメンテーションを行う。
鍵となる障害は、一般的な画像から生物医学画像への大きな領域シフトを克服することである。
本研究では,大規模なラベル付きビジョンデータセットであるCOCOから複数のバイオメディカルデータセットへのオブジェクト定義の知識を適応させるドメイン適応型領域ベース畳み込みニューラルネットワーク(DARCNN)を提案する。
ドメイン分離モジュール,自己教師付き表現一貫性損失,darcnn内の拡張擬似ラベルステージを導入し,このような大きなドメインシフトに対して効果的にドメイン適応を行う。
多数のバイオメディカルデータセット上での教師なしインスタンスセグメンテーションにおけるDARCNNの性能を示す。
関連論文リスト
- MDViT: Multi-domain Vision Transformer for Small Medical Image Segmentation Datasets [19.44142290594537]
医用画像セグメンテーション(MIS)を改善するための有望なソリューションとして、ビジョントランスフォーマー(ViT)が登場した。
ViTは通常、単一のデータソースを使用してトレーニングされ、他の利用可能なデータセットから活用できる貴重な知識を見落としている。
本稿では,データハンガーを緩和し,NKTと戦うドメインアダプタを含む,最初のマルチドメイン ViT である MDViT を提案する。
論文 参考訳（メタデータ） (2023-07-05T08:19:29Z) - Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。
本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文 参考訳（メタデータ） (2023-02-02T18:19:01Z) - AADG: Automatic Augmentation for Domain Generalization on Retinal Image
Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。
我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。
提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文 参考訳（メタデータ） (2022-07-27T02:26:01Z) - Supervised Segmentation with Domain Adaptation for Small Sampled Orbital
CT Images [0.0]
ディープニューラルネットワーク(DNN)は医用画像解析に広く利用されている。
大規模な注釈付きデータセットへのアクセスの欠如は、大きな課題となる。
本稿では,視神経および眼窩腫瘍に対する領域適応を用いた教師付きセグメンテーションについて検討した。
論文 参考訳（メタデータ） (2021-07-01T13:00:33Z) - 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) - Unsupervised Domain Adaptation Network with Category-Centric Prototype
Aligner for Biomedical Image Segmentation [1.1799563040751586]
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。
論文 参考訳（メタデータ） (2021-03-03T07:07:38Z) - 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) - 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) - Spatial Attention Pyramid Network for Unsupervised Domain Adaptation [66.75008386980869]
教師なし領域適応は様々なコンピュータビジョンタスクにおいて重要である。
教師なし領域適応のための新しい空間注意ピラミッドネットワークを設計する。
我々の手法は最先端の手法に対して大きなマージンで好適に機能する。
論文 参考訳（メタデータ） (2020-03-29T09:03:23Z) - MS-Net: Multi-Site Network for Improving Prostate Segmentation with
Heterogeneous MRI Data [75.73881040581767]
本稿では,ロバスト表現を学習し,前立腺のセグメンテーションを改善するための新しいマルチサイトネットワーク(MS-Net)を提案する。
当社のMS-Netは,すべてのデータセットのパフォーマンスを一貫して改善し,マルチサイト学習における最先端の手法よりも優れています。
論文 参考訳（メタデータ） (2020-02-09T14:11:50Z)
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。