論文の概要: Self-Rule to Adapt: Generalized Multi-source Feature Learning Using
Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection
- arxiv url: http://arxiv.org/abs/2108.09178v1
- Date: Fri, 20 Aug 2021 13:52:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-23 13:24:48.337600
- Title: Self-Rule to Adapt: Generalized Multi-source Feature Learning Using
Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection
- Title（参考訳）: 大腸癌組織検出のための非教師なしドメイン適応を用いた自己ルール適応型マルチソース特徴学習
- Authors: Christian Abbet, Linda Studer, Andreas Fischer, Heather Dawson, Inti
Zlobec, Behzad Bozorgtabar, Jean-Philippe Thiran
- Abstract要約: 教師付き学習はラベル付きデータの可用性によって制限される。
本稿では、自己教師付き学習を利用してドメイン適応を行うSRAを提案する。
- 参考スコア（独自算出の注目度）: 9.074125289002911
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Supervised learning is constrained by the availability of labeled data, which
are especially expensive to acquire in the field of digital pathology. Making
use of open-source data for pre-training or using domain adaptation can be a
way to overcome this issue. However, pre-trained networks often fail to
generalize to new test domains that are not distributed identically due to
variations in tissue stainings, types, and textures. Additionally, current
domain adaptation methods mainly rely on fully-labeled source datasets. In this
work, we propose SRA, which takes advantage of self-supervised learning to
perform domain adaptation and removes the necessity of a fully-labeled source
dataset. SRA can effectively transfer the discriminative knowledge obtained
from a few labeled source domain's data to a new target domain without
requiring additional tissue annotations. Our method harnesses both domains'
structures by capturing visual similarity with intra-domain and cross-domain
self-supervision. Moreover, we present a generalized formulation of our
approach that allows the architecture to learn from multi-source domains. We
show that our proposed method outperforms baselines for domain adaptation of
colorectal tissue type classification and further validate our approach on our
in-house clinical cohort. The code and models are available open-source:
https://github.com/christianabbet/SRA.
- Abstract（参考訳）: 教師付き学習は、特にデジタル病理学の分野での取得に費用がかかるラベル付きデータの可用性によって制限される。
オープンソースのデータを事前トレーニングやドメイン適応に利用することで、この問題を克服することができる。
しかし、トレーニング済みのネットワークは、組織染色、型、テクスチャのバリエーションにより同一に分布しない新しいテストドメインに一般化できないことが多い。
さらに、現在のドメイン適応メソッドは、主に完全なラベル付きソースデータセットに依存している。
本研究では,自己教師型学習を利用してドメイン適応を行い,完全ラベル付きソースデータセットの必要性を解消するSRAを提案する。
SRAは、いくつかのラベル付きソースドメインのデータから得られた識別知識を、追加の組織アノテーションを必要としない新しいターゲットドメインに効果的に転送することができる。
本手法は、ドメイン内およびドメイン間自己監督と視覚的類似性を捉えることにより、両方のドメインの構造を利用する。
さらに,マルチソースドメインからアーキテクチャを学べるように,このアプローチの一般化した定式化を提案する。
提案手法は大腸組織型分類のドメイン適応基準を上回っており,本手法の社内臨床コホートに対するアプローチをさらに検証する。
コードとモデルはオープンソースである。 https://github.com/christianabbet/sra。
関連論文リスト
- Unsupervised Federated Domain Adaptation for Segmentation of MRI Images [20.206972068340843]
我々は、複数のアノテーション付きソースドメインを用いた教師なしフェデレーションドメイン適応法を開発した。
提案手法により,アノテートされていないターゲットドメインにおいて,複数のアノテートされたソースドメインからの知識の伝達が可能となる。
論文 参考訳（メタデータ） (2024-01-02T00:31:41Z) - 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) - Dynamic Instance Domain Adaptation [109.53575039217094]
教師なしのドメイン適応に関するほとんどの研究は、各ドメインのトレーニングサンプルがドメインラベルを伴っていると仮定している。
適応的な畳み込みカーネルを持つ動的ニューラルネットワークを開発し、各インスタンスにドメインに依存しない深い特徴を適応させるために、インスタンス適応残差を生成する。
我々のモデルはDIDA-Netと呼ばれ、複数の一般的な単一ソースおよび複数ソースのUDAデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-03-09T20:05:54Z) - Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。
対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
論文 参考訳（メタデータ） (2021-06-10T06:32:30Z) - Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。
本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。
提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-03-25T14:33:33Z) - Multi-Source Domain Adaptation with Collaborative Learning for Semantic
Segmentation [32.95273803359897]
マルチソース非監視ドメイン適応(MSDA)は、複数のラベル付きソースドメインで訓練されたモデルをラベル付きターゲットドメインに適応することを目的とする。
セマンティックセグメンテーションのための協調学習に基づく新しいマルチソースドメイン適応フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-08T12:51:42Z) - Robust Domain-Free Domain Generalization with Class-aware Alignment [4.442096198968069]
ドメインフリードメイン一般化(DFDG)は、目に見えないテストドメインでより良い一般化性能を実現するモデル非依存の方法である。
DFDGは新しい戦略を用いてドメイン不変なクラス差別的特徴を学習する。
時系列センサと画像分類公開データセットの両方で競合性能を得る。
論文 参考訳（メタデータ） (2021-02-17T17:46:06Z) - Unsupervised Model Adaptation for Continual Semantic Segmentation [15.820660013260584]
本研究では,ラベル付きソースドメインを用いて訓練されたセマンティックセグメンテーションモデルを,ラベル付きターゲットドメインで適切に一般化するアルゴリズムを開発した。
我々は,アルゴリズムが有効である条件を理論的に分析し,説明する。
ベンチマーク適応タスクの実験では, 共同UDA手法と比較して, 競争性能が向上することを示した。
論文 参考訳（メタデータ） (2020-09-26T04:55:50Z) - Cross-domain Self-supervised Learning for Domain Adaptation with Few
Source Labels [78.95901454696158]
ドメイン適応のためのクロスドメイン自己教師型学習手法を提案する。
本手法は,ソースラベルが少ない新しいターゲット領域において,ターゲット精度を著しく向上させる。
論文 参考訳（メタデータ） (2020-03-18T15:11:07Z) - Multi-source Domain Adaptation for Visual Sentiment Classification [92.53780541232773]
マルチソース・ドメイン適応(MDA)手法をMSGAN(Multi-source Sentiment Generative Adversarial Network)と呼ぶ。
複数のソースドメインからのデータを扱うために、MSGANはソースドメインとターゲットドメインの両方のデータが同じ分布を共有する、統一された感情潜在空間を見つけることを学ぶ。
4つのベンチマークデータセットで実施された大規模な実験により、MSGANは視覚的感情分類のための最先端のMDAアプローチよりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2020-01-12T08:37:42Z)
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。