論文の概要: Stop Throwing Away Discriminators! Re-using Adversaries for Test-Time Training

• arxiv url: http://arxiv.org/abs/2108.12280v1
• Date: Thu, 26 Aug 2021 16:51:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-30 14:12:41.490842
• Title: Stop Throwing Away Discriminators! Re-using Adversaries for Test-Time Training
• Title（参考訳）: 差別者を捨てるな! テストタイムトレーニング用リユースアドバー
• Authors: Gabriele Valvano, Andrea Leo, Sotirios A. Tsaftaris
• Abstract要約: 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。
• 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 data distributions without requiring paired data, Generative Adversarial Networks (GANs) have become an integral part of many computer vision methods, including those developed for medical image segmentation. These methods jointly train a segmentor and an adversarial mask discriminator, which provides a data-driven shape prior. At inference, the discriminator is discarded, and only the segmentor is used to predict label maps on test images. But should we discard the discriminator? Here, we argue that the life cycle of adversarial discriminators should not end after training. On the contrary, training stable GANs produces powerful shape priors that we can use to correct segmentor mistakes at inference. To achieve this, we develop stable mask discriminators that do not overfit or catastrophically forget. At test time, we fine-tune the segmentor on each individual test instance until it satisfies the learned shape prior. Our method is simple to implement and increases model performance. Moreover, it opens new directions for re-using mask discriminators at inference. We release the code used for the experiments at https://vios-s.github.io/adversarial-test-time-training.
• Abstract（参考訳）: ペアデータを必要としないデータ分散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など、多くのコンピュータビジョン手法の不可欠な部分となっている。 これらの方法は、事前にデータ駆動形状を提供するセグメンタと逆マスク判別器を共同で訓練する。 推論時に、識別器は破棄され、テスト画像上のラベルマップを予測するためにセグメンタのみが使用される。 しかし、差別者を排除すべきだろうか? ここでは、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。 逆に、安定なGANのトレーニングは、推論時にセグメンタミスを修正するために使用できる、強力な形状の事前を生成する。 そこで我々は, 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マスク識別装置を開発した。 テスト時には、各テストインスタンスのセグメンタを事前に学習した形状を満たすまで微調整します。 本手法は, 実装が簡単で, モデル性能が向上する。 さらに、推論でマスク判別器を再利用するための新しい方向も開く。 私たちは実験に使用されたコードをhttps://vios-s.github.io/adversarial-test-time-trainingでリリースします。

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)
• Refining Generative Process with Discriminator Guidance in Score-based Diffusion Models [15.571673352656264]
  ディスクリミネータガイダンスは、事前学習した拡散モデルのサンプル生成を改善することを目的としている。 GANとは異なり、我々の手法はスコアネットワークと差別ネットワークの合同トレーニングを必要としない。 検証データのFID (1.68) やリコール (0.66) と同様, ImageNet 256x256 で FID 1.83 をリコールし,0.64 をリコールした。
  論文  参考訳（メタデータ） (2022-11-28T20:04:12Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
  テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。 本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
  論文  参考訳（メタデータ） (2022-06-01T03:02:07Z)
• Re-using Adversarial Mask Discriminators for Test-time Training under Distribution Shifts [10.647970046084916]
  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。
  論文  参考訳（メタデータ） (2021-08-26T17:31:46Z)
• Novelty Detection via Contrastive Learning with Negative Data Augmentation [34.39521195691397]
  新規性検出のための新しい生成ネットワークフレームワークを提案する。 我々のモデルは最先端のノベルティ検出器よりも優れている。 我々のモデルは、他の敵ベースノベルティ検出方法と比較して、非敵方式で訓練するためにより安定している。
  論文  参考訳（メタデータ） (2021-06-18T07:26:15Z)
• 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)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• 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)
• TopoAL: An Adversarial Learning Approach for Topology-Aware Road Segmentation [56.353558147044]
  我々は,我々の目的に合わせたAL(Adversarial Learning)戦略を導入する。 我々は,道路網のどの部分が正しいかを示すラベルピラミッドを返す,より洗練された識別器を使用している。 挑戦的なRoadTracerデータセットでは、最先端のものよりも優れています。
  論文  参考訳（メタデータ） (2020-07-17T16:06:45Z)

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。