論文の概要: Source-Free Domain Adaptation for Image Segmentation

• arxiv url: http://arxiv.org/abs/2108.03152v1
• Date: Fri, 6 Aug 2021 14:56:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-09 14:29:11.717646
• Title: Source-Free Domain Adaptation for Image Segmentation
• Title（参考訳）: 画像分割のためのソースフリー領域適応
• Authors: Mathilde Bateson, Jose Dolz, Hoel Kervadec, Herv\'e Lombaert, Ismail Ben Ayed
• Abstract要約: 画像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を導入する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいている。 様々なドメイン適応シナリオにおいて,事前認識したエントロピー最小化の有効性を示す。
• 参考スコア（独自算出の注目度）: 17.23158602100665
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Domain adaptation (DA) has drawn high interest for its capacity to adapt a model trained on labeled source data to perform well on unlabeled or weakly labeled target data from a different domain. Most common DA techniques require concurrent access to the input images of both the source and target domains. However, in practice, privacy concerns often impede the availability of source images in the adaptation phase. This is a very frequent DA scenario in medical imaging, where, for instance, the source and target images could come from different clinical sites. We introduce a source-free domain adaptation for image segmentation. Our formulation is based on minimizing a label-free entropy loss defined over target-domain data, which we further guide with a domain-invariant prior on the segmentation regions. Many priors can be derived from anatomical information. Here, a class ratio prior is estimated from anatomical knowledge and integrated in the form of a Kullback Leibler (KL) divergence in our overall loss function. Furthermore, we motivate our overall loss with an interesting link to maximizing the mutual information between the target images and their label predictions. We show the effectiveness of our prior aware entropy minimization in a variety of domain-adaptation scenarios, with different modalities and applications, including spine, prostate, and cardiac segmentation. Our method yields comparable results to several state of the art adaptation techniques, despite having access to much less information, as the source images are entirely absent in our adaptation phase. Our straightforward adaptation strategy uses only one network, contrary to popular adversarial techniques, which are not applicable to a source-free DA setting. Our framework can be readily used in a breadth of segmentation problems, and our code is publicly available: https://github.com/mathilde-b/SFDA
• Abstract（参考訳）: ドメイン適応(da)は、ラベル付きソースデータでトレーニングされたモデルを異なるドメインからラベル付きまたは弱いラベル付きターゲットデータに対してうまく適用する能力に対して高い関心を集めている。 ほとんどのDA技術では、ソースとターゲットドメインの両方の入力画像に同時アクセスする必要がある。 しかし、実際には、プライバシの懸念は、適応フェーズにおけるソースイメージの可用性を妨げることが多い。 これは医療画像における非常に頻繁なDAシナリオであり、例えば、ソースとターゲットの画像は異なる臨床現場から来る可能性がある。 画像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を導入する。 我々の定式化は、ターゲットドメインデータ上に定義されたラベルフリーエントロピー損失を最小化することに基づいており、セグメンテーション領域に先立ってドメイン不変量でガイドする。 多くの先行情報は解剖学的情報から導き出すことができる。 ここでは、解剖学的な知識から事前のクラス比を推定し、全体的な損失関数におけるKL(Kullback Leibler)分散の形で統合する。 さらに,対象画像間の相互情報とラベル予測を最大化するための興味深いリンクにより,全体の損失を動機付けている。 我々は, 様々な領域適応シナリオにおいて, 脊椎, 前立腺, 心臓分画など, 様々な形態と応用を前提とした事前認識エントロピー最小化の有効性を示す。 本手法は,画像が適応段階に完全に欠落しているため,より少ない情報にアクセスできるにもかかわらず,いくつかの技術適応手法に匹敵する結果が得られる。 我々の直接的な適応戦略は、ソースフリーなda設定には適用できない一般的な敵技術とは対照的に、1つのネットワークのみを使用する。 私たちのフレームワークはセグメンテーションの問題で簡単に使えますし、コードも公開されています: https://github.com/mathilde-b/SFDA

関連論文リスト

• 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)
• 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)
• Anatomy-guided domain adaptation for 3D in-bed human pose estimation [62.3463429269385]
  3次元人間のポーズ推定は臨床モニタリングシステムにおいて重要な要素である。 ラベル付きソースからシフトしたラベル付きターゲットドメインにモデルを適応させる新しいドメイン適応方式を提案する。 我々の手法は、様々な最先端のドメイン適応法より一貫して優れています。
  論文  参考訳（メタデータ） (2022-11-22T11:34:51Z)
• ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical Image Segmentation [21.079667938055668]
  医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。 以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
  論文  参考訳（メタデータ） (2022-11-21T14:57:04Z)
• 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)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Privacy Preserving Domain Adaptation for Semantic Segmentation of Medical Images [13.693640425403636]
  非教師付きドメイン適応(UDA)は、未ラベルのターゲットドメインデータのみを用いて新しいモダリティにモデルを適用するために提案される。 UDAのアルゴリズムは、ソースドメインデータがアクセスできないプライバシーに制約された設定で開発します。 本稿では,最新の医用画像セマンティックセグメンテーション手法と比較し,アルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-01-02T22:12:42Z)
• Source-Relaxed Domain Adaptation for Image Segmentation [22.28746775804126]
  ドメイン適応(DA)は、ラベル付けされたソースデータに基づいてトレーニングされたモデルを適用し、ラベル付けされていないまたは弱いラベル付けされたターゲットデータでうまく機能する能力に対して、高い関心を集めている。 最も一般的なDA技術は、ソースとターゲットドメインの両方の入力画像への同時アクセスを必要とする。 このような制約を緩和するセグメンテーションネットワークを適応するための新しい定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-07T18:46:01Z)

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。