論文の概要: Cell Detection in Domain Shift Problem Using Pseudo-Cell-Position Heatmap

• arxiv url: http://arxiv.org/abs/2107.08653v1
• Date: Mon, 19 Jul 2021 07:22:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-07-20 14:56:34.528736
• Title: Cell Detection in Domain Shift Problem Using Pseudo-Cell-Position Heatmap
• Title（参考訳）: Pseudo-Cell-Position Heatmap を用いた領域シフト問題における細胞検出
• Authors: Hyeonwoo Cho, Kazuya Nishimura, Kazuhide Watanabe and Ryoma Bise
• Abstract要約: 特定の条件下でのトレーニングデータ(ソースドメイン)で訓練された検出ネットワークは、他の条件下でのデータ(ターゲットドメイン)ではうまく動作しない可能性がある。 擬似セル配置熱マップを用いた細胞検出のための教師なし領域適応手法を提案する。 8種類のドメインの組み合わせを用いた実験では,提案手法は既存のドメイン適応法よりも優れていた。
• 参考スコア（独自算出の注目度）: 9.080472817672264
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The domain shift problem is an important issue in automatic cell detection. A detection network trained with training data under a specific condition (source domain) may not work well in data under other conditions (target domain). We propose an unsupervised domain adaptation method for cell detection using the pseudo-cell-position heatmap, where a cell centroid becomes a peak with a Gaussian distribution in the map. In the prediction result for the target domain, even if a peak location is correct, the signal distribution around the peak often has anon-Gaussian shape. The pseudo-cell-position heatmap is re-generated using the peak positions in the predicted heatmap to have a clear Gaussian shape. Our method selects confident pseudo-cell-position heatmaps using a Bayesian network and adds them to the training data in the next iteration. The method can incrementally extend the domain from the source domain to the target domain in a semi-supervised manner. In the experiments using 8 combinations of domains, the proposed method outperformed the existing domain adaptation methods.
• Abstract（参考訳）: ドメインシフト問題は自動細胞検出において重要な問題である。 特定の条件(ソースドメイン)でトレーニングされたデータで訓練された検出ネットワークは、他の条件(ターゲットドメイン)でのデータではうまく動作しない。 本研究では,セル中心がガウス分布を持つピークとなる擬似セル配置ヒートマップを用いて,セル検出のための教師なし領域適応法を提案する。 対象領域の予測結果では、ピーク位置が正しい場合でも、ピーク周辺の信号分布はアニオン・ガウス形状であることが多い。 擬似セル配置熱マップは、予測熱マップのピーク位置を用いて再生成され、透明なガウス形状を有する。 本手法はベイジアンネットワークを用いて疑似セル配置熱マップを選択し,次のイテレーションでトレーニングデータに追加する。 この方法は、ドメインをソースドメインからターゲットドメインに半教師付きで漸進的に拡張することができる。 8種類のドメインの組み合わせを用いた実験では,提案手法が既存のドメイン適応法を上回った。

関連論文リスト

• SelectNAdapt: Support Set Selection for Few-Shot Domain Adaptation [16.94384366469512]
  列車(ソース)とテスト(ターゲット)ドメインデータ間の分散シフトに遭遇すると、ディープニューラルネットワークの一般化が脆弱になる。 ソースドメイン上で事前トレーニングされたディープニューラルネットワークをターゲットドメインに適応させることで、この問題を緩和するドメイン適応は少ない。
  論文  参考訳（メタデータ） (2023-08-09T13:24:55Z)
• Effective Pseudo-Labeling based on Heatmap for Unsupervised Domain Adaptation in Cell Detection [6.862925771672301]
  擬似セル配置熱マップを用いた細胞検出のための教師なし領域適応手法を提案する。 対象領域の予測結果では、ピーク位置が正しいとしても、ピーク周辺の信号分布は非ガウス形状であることが多い。 本手法は,不確実性とカリキュラム学習に基づく疑似セル配置熱マップを選択する。
  論文  参考訳（メタデータ） (2023-03-09T14:03:58Z)
• GaitSADA: Self-Aligned Domain Adaptation for mmWave Gait Recognition [14.750765172614836]
  mmWaveレーダを用いた歩行認識は,mmWaveレーダの帰還信号から人間の歩行バイオメトリックスを捕捉する新しいユーザ識別法である。 この問題を軽減するために、GaitSADAと呼ばれる新しい自己整合ドメイン適応法を提案する。 実験により、GaitSADAは、低データ状態における平均精度で15.41%から26.32%の改善により、代表的ドメイン適応法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-31T03:21:08Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Connecting adversarial attacks and optimal transport for domain adaptation [116.50515978657002]
  ドメイン適応では、ソースドメインのサンプルに基づいてトレーニングされた分類器をターゲットドメインに適応させることが目標である。 提案手法では,最適なトランスポートを用いて,対象のサンプルをソース・フィクションという名前のドメインにマッピングする。 我々の主なアイデアは、ターゲットドメイン上のc-環状モノトン変換によってソースフィクションを生成することである。
  論文  参考訳（メタデータ） (2022-05-30T20:45:55Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
  半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。 この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-19T16:07:32Z)
• Batch Normalization Embeddings for Deep Domain Generalization [50.51405390150066]
  ドメインの一般化は、異なるドメインと見えないドメインで堅牢に実行されるように機械学習モデルをトレーニングすることを目的としている。 一般的な領域一般化ベンチマークにおいて,最先端技術よりも分類精度が著しく向上したことを示す。
  論文  参考訳（メタデータ） (2020-11-25T12:02:57Z)
• Unsupervised Domain Adaptive Object Detection using Forward-Backward Cyclic Adaptation [13.163271874039191]
  本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。 近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。 本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
  論文  参考訳（メタデータ） (2020-02-03T06:24:58Z)

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。