論文の概要: Unsupervised Domain Adaptation for Retinal Vessel Segmentation with
Adversarial Learning and Transfer Normalization
- arxiv url: http://arxiv.org/abs/2108.01821v1
- Date: Wed, 4 Aug 2021 02:45:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-05 22:45:07.877668
- Title: Unsupervised Domain Adaptation for Retinal Vessel Segmentation with
Adversarial Learning and Transfer Normalization
- Title（参考訳）: 逆学習と転移正規化を伴う網膜血管分節に対する教師なしドメイン適応
- Authors: Wei Feng, Lie Ju, Lin Wang, Kaimin Song, Xin Wang, Xin Zhao, Qingyi
Tao, and Zongyuan Ge
- Abstract要約: 本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。
ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。
我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
- 参考スコア（独自算出の注目度）: 22.186070895966022
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Retinal vessel segmentation plays a key role in computer-aided screening,
diagnosis, and treatment of various cardiovascular and ophthalmic diseases.
Recently, deep learning-based retinal vessel segmentation algorithms have
achieved remarkable performance. However, due to the domain shift problem, the
performance of these algorithms often degrades when they are applied to new
data that is different from the training data. Manually labeling new data for
each test domain is often a time-consuming and laborious task. In this work, we
explore unsupervised domain adaptation in retinal vessel segmentation by using
entropy-based adversarial learning and transfer normalization layer to train a
segmentation network, which generalizes well across domains and requires no
annotation of the target domain. Specifically, first, an entropy-based
adversarial learning strategy is developed to reduce the distribution
discrepancy between the source and target domains while also achieving the
objective of entropy minimization on the target domain. In addition, a new
transfer normalization layer is proposed to further boost the transferability
of the deep network. It normalizes the features of each domain separately to
compensate for the domain distribution gap. Besides, it also adaptively selects
those feature channels that are more transferable between domains, thus further
enhancing the generalization performance of the network. We conducted extensive
experiments on three regular fundus image datasets and an ultra-widefield
fundus image dataset, and the results show that our approach yields significant
performance gains compared to other state-of-the-art methods.
- Abstract（参考訳）: 各種心血管疾患および眼科疾患のスクリーニング、診断、治療において網膜血管分画は重要な役割を担っている。
近年,深層学習に基づく網膜血管セグメンテーションアルゴリズムが目覚ましい性能を達成している。
しかし、ドメインシフトの問題により、トレーニングデータとは異なる新しいデータに適用された場合、これらのアルゴリズムの性能は劣化することが多い。
テストドメインごとに新しいデータを手動でラベリングするのは、しばしば時間と労力のかかる作業です。
本研究では,エントロピーベースの逆学習および伝達正規化層を用いて,網膜血管セグメンテーションにおける非教師なし領域適応を探索し,領域をまたいでうまく一般化し,対象領域のアノテーションを必要としないセグメンテーションネットワークを訓練する。
具体的には、まず、ターゲット領域におけるエントロピー最小化の目的を達成しつつ、ソースドメインとターゲットドメイン間の分布差を低減するために、エントロピーに基づく対向学習戦略を開発する。
さらに、ディープネットワークの転送性をさらに向上するために、新しい転送正規化層を提案する。
ドメインの分散ギャップを補うために、各ドメインの特徴を別々に正規化する。
さらに、ドメイン間でより転送可能な機能チャネルを適応的に選択することで、ネットワークの一般化性能をさらに向上させる。
提案手法は,3つの標準基底画像データセットと超広視野基底画像データセットについて広範な実験を行い,本手法が他の最先端手法と比較して大きな性能向上をもたらすことを示した。
関連論文リスト
- CHATTY: Coupled Holistic Adversarial Transport Terms with Yield for
Unsupervised Domain Adaptation [1.87446486236017]
我々はCHATTYと呼ばれる新しい手法を提案する。
敵対的トレーニングは、ニューラルネットワークの特徴抽出層をトレーニングするために、ドメイン判別器ヘッドからの勾配を反転させることで、ドメイン不変表現の学習に一般的に使用される。
本稿では,ソースとターゲットドメインの出力を学習可能な方法で置き換えるサブネットワークを提案する。
論文 参考訳（メタデータ） (2023-04-19T13:00:23Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - Coarse to Fine: Domain Adaptive Crowd Counting via Adversarial Scoring
Network [58.05473757538834]
本稿では,ドメイン間のギャップを粗い粒度から細かな粒度に埋める新しい逆スコアリングネットワーク (ASNet) を提案する。
3組のマイグレーション実験により,提案手法が最先端のカウント性能を実現することを示す。
論文 参考訳（メタデータ） (2021-07-27T14:47:24Z) - Learning a Domain-Agnostic Visual Representation for Autonomous Driving
via Contrastive Loss [25.798361683744684]
ドメイン認識コントラスト学習(Domain-Agnostic Contrastive Learning、DACL)は、2段階の非監視ドメイン適応フレームワークである。
提案手法は,従来の最新手法に比べ,単眼深度推定作業における性能向上を実現した。
論文 参考訳（メタデータ） (2021-03-10T07:06:03Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳（メタデータ） (2020-09-30T04:17:48Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳（メタデータ） (2020-08-19T17:41:37Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - 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) - Cross-domain Object Detection through Coarse-to-Fine Feature Adaptation [62.29076080124199]
本稿では,クロスドメインオブジェクト検出のための特徴適応手法を提案する。
粗粒度では、アテンション機構を採用して前景領域を抽出し、その辺縁分布に応じて整列する。
粒度の細かい段階では、同じカテゴリのグローバルプロトタイプと異なるドメインとの距離を最小化することにより、前景の条件分布アライメントを行う。
論文 参考訳（メタデータ） (2020-03-23T13:40:06Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z) - 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。