論文の概要: Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation

• arxiv url: http://arxiv.org/abs/2106.12497v1
• Date: Wed, 23 Jun 2021 16:16:55 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-24 17:38:44.417408
• Title: Adapting Off-the-Shelf Source Segmenter for Target Medical Image Segmentation
• Title（参考訳）: 医用画像セグメンテーションのためのオフザシェルフソースセグメンタの適用
• Authors: Xiaofeng Liu, Fangxu Xing, Chao Yang, Georges El Fakhri, Jonghye Woo
• Abstract要約: 教師なしドメイン適応(Unsupervised domain adapt, UDA)は、ラベル付きソースドメインから学習した知識をラベルなしおよび見えないターゲットドメインに転送することを目的としている。 データストレージやプライバシの問題のため、適応段階でのソースドメインデータへのアクセスは制限されることが多い。 我々は、ソースドメインで事前訓練されたオフザシェルフセグメントモデルをターゲットドメインに適用することを提案する。
• 参考スコア（独自算出の注目度）: 12.703234995718372
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Unsupervised domain adaptation (UDA) aims to transfer knowledge learned from a labeled source domain to an unlabeled and unseen target domain, which is usually trained on data from both domains. Access to the source domain data at the adaptation stage, however, is often limited, due to data storage or privacy issues. To alleviate this, in this work, we target source free UDA for segmentation, and propose to adapt an ``off-the-shelf" segmentation model pre-trained in the source domain to the target domain, with an adaptive batch-wise normalization statistics adaptation framework. Specifically, the domain-specific low-order batch statistics, i.e., mean and variance, are gradually adapted with an exponential momentum decay scheme, while the consistency of domain shareable high-order batch statistics, i.e., scaling and shifting parameters, is explicitly enforced by our optimization objective. The transferability of each channel is adaptively measured first from which to balance the contribution of each channel. Moreover, the proposed source free UDA framework is orthogonal to unsupervised learning methods, e.g., self-entropy minimization, which can thus be simply added on top of our framework. Extensive experiments on the BraTS 2018 database show that our source free UDA framework outperformed existing source-relaxed UDA methods for the cross-subtype UDA segmentation task and yielded comparable results for the cross-modality UDA segmentation task, compared with a supervised UDA methods with the source data.
• Abstract（参考訳）: unsupervised domain adaptation(uda)は、ラベル付きソースドメインから学んだ知識を、ラベル付きで見当たらないターゲットドメインに転送することを目的としている。 しかし、適応段階におけるソースドメインデータへのアクセスは、データストレージやプライバシの問題のため、しばしば制限される。 これを軽減するため,本研究では,ソースドメイン内で事前学習した ``off-the-shelf' セグメントモデルを,適応型バッチワイド正規化統計適応フレームワークを用いて,対象ドメインに適応させることを提案する。 具体的には、ドメイン固有の低次バッチ統計、すなわち平均と分散は指数運動量減衰スキームに徐々に適応し、ドメイン共有可能な高次バッチ統計、すなわちスケーリングとシフトパラメータの整合性は、最適化目標によって明示的に強制される。 各チャネルの転送性は、まず各チャネルの寄与のバランスをとるために適応的に測定される。 さらに、提案したオープンソースフリーなUDAフレームワークは、例えば自己エントロピーの最小化など、教師なしの学習手法に直交しているため、フレームワークの上に簡単に追加できる。 BraTS 2018データベース上での大規模な実験により、我々のソースフリーなUDAフレームワークは、クロスサブタイプUDAセグメンテーションタスクの既存のソースラックスUDAメソッドよりも優れており、ソースデータとの教師付きUDAメソッドと比較して、クロスモダリティUDAセグメンテーションタスクの同等の結果が得られました。

関連論文リスト

• Online Continual Domain Adaptation for Semantic Image Segmentation Using Internal Representations [28.549418215123936]
  アノテーションのない領域におけるモデル一般化を改善するために,画像のセマンティックセマンティックセマンティックセマンティクスのためのオンラインUDAアルゴリズムを開発した。 確立されたセマンティックセマンティックセマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティックス(SOTA)と比較した。
  論文  参考訳（メタデータ） (2024-01-02T04:48:49Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。 複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
  論文  参考訳（メタデータ） (2023-12-09T18:40:37Z)
• Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
  非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。 オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
  論文  参考訳（メタデータ） (2023-07-30T11:38:46Z)
• Source-Free Domain Adaptation for Medical Image Segmentation via Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
  医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。 プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。 そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
  論文  参考訳（メタデータ） (2023-07-19T06:07:12Z)
• Memory Consistent Unsupervised Off-the-Shelf Model Adaptation for Source-Relaxed Medical Image Segmentation [13.260109561599904]
  非教師なしドメイン適応(UDA)は、ラベル付きソースドメインからラベル付きヘテロジニアスターゲットドメインに学習した情報を移行するための重要なプロトコルである。 我々は、ソースドメインで訓練されたOSセグメントをターゲットドメインに適応させることにより、イメージセグメンテーションを目的とした「オフ・ザ・シェルフ(OS)」 UDA (OSUDA) を提案する。
  論文  参考訳（メタデータ） (2022-09-16T13:13:50Z)
• Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
  ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。 近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。 本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
  論文  参考訳（メタデータ） (2022-04-24T12:22:19Z)
• Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
  ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。 まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
  論文  参考訳（メタデータ） (2021-04-03T01:33:14Z)
• Source-Free Domain Adaptation for Semantic Segmentation [11.722728148523366]
  Unsupervised Domain Adaptation(UDA)は、セマンティックセグメンテーションのための畳み込みニューラルネットワークベースのアプローチがピクセルレベルの注釈付きデータに大きく依存するという課題に取り組むことができる。 そこで本稿では,十分に訓練されたソースモデルとラベルなしのターゲットドメインデータセットのみを適用可能な,意味セグメンテーションのためのソースフリーなドメイン適応フレームワークsfdaを提案する。
  論文  参考訳（メタデータ） (2021-03-30T14:14:29Z)
• Unsupervised BatchNorm Adaptation (UBNA): A Domain Adaptation Method for Semantic Segmentation Without Using Source Domain Representations [35.586031601299034]
  Unsupervised BatchNorm Adaptation (UBNA) は、与えられた事前訓練されたモデルを、目に見えないターゲットドメインに適応させる。 我々は指数的に減衰する運動量因子を用いて、正規化層統計を対象領域に部分的に適応させる。 標準的なUDAアプローチと比較して、ソースドメイン表現のパフォーマンスと利用のトレードオフを報告します。
  論文  参考訳（メタデータ） (2020-11-17T08:37:40Z)
• Do We Really Need to Access the Source Data? Source Hypothesis Transfer for Unsupervised Domain Adaptation [102.67010690592011]
  Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。 従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。 この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
  論文  参考訳（メタデータ） (2020-02-20T03:13:58Z)

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。