論文の概要: A New Bidirectional Unsupervised Domain Adaptation Segmentation
Framework
- arxiv url: http://arxiv.org/abs/2108.07979v1
- Date: Wed, 18 Aug 2021 05:25:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-19 14:30:39.386954
- Title: A New Bidirectional Unsupervised Domain Adaptation Segmentation
Framework
- Title（参考訳）: 新しい双方向教師なしドメイン適応セグメンテーションフレームワーク
- Authors: Munan Ning, Cheng Bian, Dong Wei, Chenglang Yuan, Yaohua Wang, Yang
Guo, Kai Ma, Yefeng Zheng
- Abstract要約: 異なるドメイン間のギャップを埋めるために、教師なしドメイン適応(UDA)技術が提案されている。
本稿では,両方向のUDA演奏に対して,非交互表現学習に基づく双方向UDAフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 27.13101555533594
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Domain shift happens in cross-domain scenarios commonly because of the wide
gaps between different domains: when applying a deep learning model
well-trained in one domain to another target domain, the model usually performs
poorly. To tackle this problem, unsupervised domain adaptation (UDA) techniques
are proposed to bridge the gap between different domains, for the purpose of
improving model performance without annotation in the target domain.
Particularly, UDA has a great value for multimodal medical image analysis,
where annotation difficulty is a practical concern. However, most existing UDA
methods can only achieve satisfactory improvements in one adaptation direction
(e.g., MRI to CT), but often perform poorly in the other (CT to MRI), limiting
their practical usage. In this paper, we propose a bidirectional UDA (BiUDA)
framework based on disentangled representation learning for equally competent
two-way UDA performances. This framework employs a unified domain-aware pattern
encoder which not only can adaptively encode images in different domains
through a domain controller, but also improve model efficiency by eliminating
redundant parameters. Furthermore, to avoid distortion of contents and patterns
of input images during the adaptation process, a content-pattern consistency
loss is introduced. Additionally, for better UDA segmentation performance, a
label consistency strategy is proposed to provide extra supervision by
recomposing target-domain-styled images and corresponding source-domain
annotations. Comparison experiments and ablation studies conducted on two
public datasets demonstrate the superiority of our BiUDA framework to current
state-of-the-art UDA methods and the effectiveness of its novel designs. By
successfully addressing two-way adaptations, our BiUDA framework offers a
flexible solution of UDA techniques to the real-world scenario.
- Abstract（参考訳）: あるドメインでよく訓練されたディープラーニングモデルを別のターゲットドメインに適用する場合、モデルは通常、パフォーマンスが悪くなります。
この問題に対処するために,対象ドメインのアノテーションを使わずにモデル性能を向上させるために,異なるドメイン間のギャップを埋めるための教師なしドメイン適応(unsupervised domain adaptation:uda)手法を提案する。
特に,アノテーションの難易度が現実的な問題であるマルチモーダル医用画像解析において,udaは大きな価値を持っている。
しかし、既存のUDA法のほとんどは、1つの適応方向(例えば、MRIからCTへの)で満足な改善しか達成できないが、もう一方(CTからMRIへの)では性能が悪く、実用的使用が制限されている。
本稿では,両方向の UDA 演奏に対して,非交叉表現学習に基づく双方向 UDA (BiUDA) フレームワークを提案する。
このフレームワークは、ドメインコントローラを介して異なるドメイン内の画像を適応的にエンコードできるだけでなく、冗長パラメータを排除してモデル効率を向上させる、統合されたドメイン認識パターンエンコーダを使用する。
さらに、適応過程における入力画像の内容やパターンの歪みを避けるために、コンテンツパターン一貫性損失を導入する。
さらに, UDAセグメンテーションの性能向上のために, ターゲットドメインスタイルの画像と対応するソースドメインアノテーションを再コンパイルすることで, 余分な監視を提供するラベル一貫性戦略を提案する。
2つの公開データセットで行った比較実験とアブレーション研究は、我々のBiUDAフレームワークが現在のUDA手法よりも優れていることを示し、その新しい設計の有効性を示した。
私たちのBiUDAフレームワークは、双方向適応にうまく対処することで、現実のシナリオに UDA テクニックの柔軟なソリューションを提供します。
関連論文リスト
- Enhancing Domain Adaptation through Prompt Gradient Alignment [16.618313165111793]
我々は、ドメイン不変性と特定の特徴の両方を学ぶために、素早い学習に基づく一連の作品を開発する。
我々は、UDAを、各目的がドメイン損失で表される多重目的最適化問題とみなした。
提案手法は,異なるUDAベンチマークにおいて,他のプロンプトベースベースラインをはるかに上回っている。
論文 参考訳（メタデータ） (2024-06-13T17:40:15Z) - AVATAR: Adversarial self-superVised domain Adaptation network for TARget
domain [11.764601181046496]
本稿では,未ラベル対象領域データの予測のための教師なし領域適応(UDA)手法を提案する。
本稿では,AVATAR(Adversarial Self-superVised Domain Adaptation Network for the TARget domain)アルゴリズムを提案する。
提案手法は,3つのUDAベンチマークにおいて,最先端の手法を著しく上回っている。
論文 参考訳（メタデータ） (2023-04-28T20:31:56Z) - LE-UDA: Label-efficient unsupervised domain adaptation for medical image
segmentation [24.655779957716558]
ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。
LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。
実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
論文 参考訳（メタデータ） (2022-12-05T07:47:35Z) - PiPa: Pixel- and Patch-wise Self-supervised Learning for Domain
Adaptative Semantic Segmentation [100.6343963798169]
教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、学習モデルの他のドメインへの一般化を強化することを目的としている。
そこで我々は,ドメイン適応型セマンティックセマンティックセグメンテーションのための,PiPaという,画素・パッチ対応の自己教師付き学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-11-14T18:31:24Z) - Joint Attention-Driven Domain Fusion and Noise-Tolerant Learning for
Multi-Source Domain Adaptation [2.734665397040629]
マルチソースUnsupervised Domain Adaptationはラベル付きデータを持つ複数のソースドメインからラベル付きターゲットドメインに知識を転送する。
異なるドメインとターゲットドメイン内のノイズの多い擬似ラベル間の分散の相違は、どちらもパフォーマンスのボトルネックにつながる。
本稿では,意識駆動型ドメイン融合(ADNT)と雑音耐性学習(ADNT)を統合し,上記の2つの問題に対処するアプローチを提案する。
論文 参考訳（メタデータ） (2022-08-05T01:08:41Z) - Generative Domain Adaptation for Face Anti-Spoofing [38.12738183385737]
教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。
既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。
対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
論文 参考訳（メタデータ） (2022-07-20T16:24:57Z) - 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) - 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) - Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。
本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
論文 参考訳（メタデータ） (2020-08-27T00:53:43Z) - 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) - 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)
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。