論文の概要: Re-using Adversarial Mask Discriminators for Test-time Training under Distribution Shifts

• arxiv url: http://arxiv.org/abs/2108.11926v1
• Date: Thu, 26 Aug 2021 17:31:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-27 13:52:46.436410
• Title: Re-using Adversarial Mask Discriminators for Test-time Training under Distribution Shifts
• Title（参考訳）: 配電シフトによる試験時間トレーニング用逆マスク判別器の再利用
• Authors: Gabriele Valvano, Andrea Leo, Sotirios A. Tsaftaris
• Abstract要約: 安定判別器の訓練によって表現的損失関数が生成され、推論時に再使用してセグメント化ミスを検出し、修正することができると論じる。 我々は、識別器と画像再構成コストを(デコーダを介して)組み合わせることで、モデルをさらに改善できることを示す。 提案手法は単純で,事前学習したGANの試験時間性能を向上させる。
• 参考スコア（独自算出の注目度）: 10.647970046084916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Thanks to their ability to learn flexible data-driven losses, Generative Adversarial Networks (GANs) are an integral part of many semi- and weakly-supervised methods for medical image segmentation. GANs jointly optimise a generator and an adversarial discriminator on a set of training data. After training has completed, the discriminator is usually discarded and only the generator is used for inference. But should we discard discriminators? In this work, we argue that training stable discriminators produces expressive loss functions that we can re-use at inference to detect and correct segmentation mistakes. First, we identify key challenges and suggest possible solutions to make discriminators re-usable at inference. Then, we show that we can combine discriminators with image reconstruction costs (via decoders) to further improve the model. Our method is simple and improves the test-time performance of pre-trained GANs. Moreover, we show that it is compatible with standard post-processing techniques and it has potentials to be used for Online Continual Learning. With our work, we open new research avenues for re-using adversarial discriminators at inference.
• Abstract（参考訳）: フレキシブルなデータ駆動の損失を学習する能力のおかげで、GAN(Generative Adversarial Networks)は、医療画像セグメンテーションのための半弱教師付き手法の不可欠な部分である。 GANは、一連のトレーニングデータに基づいて、ジェネレータと敵判別器を共同最適化する。 訓練が完了すると、通常判別器は破棄され、生成器のみが推論に使用される。 差別者は捨てるべきなのか? 本研究では,安定な判別子を訓練することで表現的損失関数を生成し,推定で再使用してセグメンテーションミスの検出と修正を行うことができる。 まず、重要な課題を特定し、判別器を推論で再利用可能なものにするための可能な解決策を提案する。 次に,識別器と画像再構成コスト(デコーダによる)を組み合わせることで,モデルをさらに改善できることを示す。 提案手法は単純で,事前学習したGANの試験時間性能を向上させる。 さらに, 標準のポストプロセッシング手法と互換性があり, オンライン連続学習にも活用できる可能性が示唆された。 本研究は,敵判別器を推論時に再利用するための新たな研究手法を開拓する。

関連論文リスト

• Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
  GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。 識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。 本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T12:07:01Z)
• Private GANs, Revisited [16.570354461039603]
  差分的私的GANの訓練における標準的アプローチは,訓練修正後の有意に改善した結果が得られることを示す。 単純な修正 -- ジェネレータステップ間での差別化のステップをより多く取る -- が、ジェネレータと差別化のパリティを回復し、結果を改善することを示しています。
  論文  参考訳（メタデータ） (2023-02-06T17:11:09Z)
• Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
  識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。 本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。 本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
  論文  参考訳（メタデータ） (2022-05-31T10:35:55Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• Stop Throwing Away Discriminators! Re-using Adversaries for Test-Time Training [10.647970046084916]
  我々は、敵対的差別者のライフサイクルは、訓練後に終わるべきではないと論じる。 我々は、過度に適合したり、破滅的に忘れたりすることのない安定したマスク識別装置を開発する。 我々の手法は実装が簡単で、モデルの性能が向上する。
  論文  参考訳（メタデータ） (2021-08-26T16:51:28Z)
• MCL-GAN: Generative Adversarial Networks with Multiple Specialized Discriminators [47.19216713803009]
  本稿では,複数の識別器を用いた生成対向ネットワークの枠組みを提案する。 データ全体のサブセットに専門知識を持つように、各差別者を指導します。 複数の識別器を使用するにもかかわらず、バックボーンネットワークは識別器間で共有される。
  論文  参考訳（メタデータ） (2021-07-15T11:35:08Z)
• Data-Efficient Instance Generation from Instance Discrimination [40.71055888512495]
  本稿では,インスタンス識別に基づくデータ効率の高いインスタンス生成手法を提案する。 本研究では,インスタンス識別に基づくデータ効率の高いインスタンス生成(InsGen)手法を提案する。
  論文  参考訳（メタデータ） (2021-06-08T17:52:59Z)
• Training GANs with Stronger Augmentations via Contrastive Discriminator [80.8216679195]
  本稿では,gan判別器にコントラスト表現学習方式を導入する。 この「融合」により、識別者は訓練の不安定さを増すことなく、より強力な増強に対処できる。 実験の結果,contratd付きganはfidを一貫して改善し,データ拡張を組み込んだ他の手法と比較した。
  論文  参考訳（メタデータ） (2021-03-17T16:04:54Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。