Fugu-MT 論文翻訳(概要): Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training

論文の概要: Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training

arxiv url: http://arxiv.org/abs/2109.14219v1
Date: Wed, 29 Sep 2021 06:56:57 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 14:50:04.785761
Title: Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training
Title（参考訳）: ピクセルアライメントと自己学習に基づく意味セグメンテーションにおける教師なし領域適応
Authors: Hexin Dong, Fei Yu, Jie Zhao, Bin Dong and Li Zhang
Abstract要約: ピクセルアライメントは、ceT1スキャンをhrT2モダリティに転送することで、トレーニングセグメンテーションモデルのドメインシフトを減少させる。自己学習は、セグメントネットワークの決定境界をhrT2スキャンの分布に適合させる。
参考スコア（独自算出の注目度）: 13.63879014979211
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper proposes an unsupervised cross-modality domain adaptation approach based on pixel alignment and self-training. Pixel alignment transfers ceT1 scans to hrT2 modality, helping to reduce domain shift in the training segmentation model. Self-training adapts the decision boundary of the segmentation network to fit the distribution of hrT2 scans. Experiment results show that PAST has outperformed the non-UDA baseline significantly, and it received rank-2 on CrossMoDA validation phase Leaderboard with a mean Dice score of 0.8395.
Abstract（参考訳）: 本稿では,画素アライメントと自己学習に基づく教師なしクロスモダリティドメイン適応手法を提案する。ピクセルアライメントは、ceT1スキャンをhrT2モダリティに転送することで、トレーニングセグメンテーションモデルのドメインシフトを低減する。自己学習は、セグメントネットワークの決定境界をhrT2スキャンの分布に適合させる。実験の結果,PASTは非UDAベースラインよりも有意に優れており,CrossMoDAバリデーションフェーズのLeadboardでは平均Diceスコア0.8395でランク2を受けた。

関連論文リスト

MS-MT: Multi-Scale Mean Teacher with Contrastive Unpaired Translation for Cross-Modality Vestibular Schwannoma and Cochlea Segmentation [11.100048696665496]
教師なしドメイン適応(UDA)メソッドは、有望なクロスモダリティセグメンテーション性能を達成した。本稿では,2つの重要な脳構造の自動分割のための,マルチスケールの自己組織化に基づくUDAフレームワークを提案する。提案手法は,平均Diceスコアが83.8%,81.4%の有望なセグメンテーション性能を示す。
論文参考訳（メタデータ） (2023-03-28T08:55:00Z)
Exploring Consistency in Cross-Domain Transformer for Domain Adaptive Semantic Segmentation [51.10389829070684]
ドメインギャップは、自己注意の相違を引き起こす可能性がある。このギャップのため、変圧器は、ターゲット領域の精度を低下させる刺激領域または画素に付随する。ドメイン横断の注意層を持つアテンションマップに適応する。
論文参考訳（メタデータ） (2022-11-27T02:40:33Z)
Unsupervised Cross-Modality Domain Adaptation for Vestibular Schwannoma Segmentation and Koos Grade Prediction based on Semi-Supervised Contrastive Learning [1.5953825926551457]
クロスモダリティ前庭神経新生(VS)とコチェリーセグメンテーションとKoosグレード予測のための教師なしドメイン適応フレームワーク。 nnU-NetモデルはVSとcochleaセグメンテーションに利用され、半教師付きコントラクティブ学習事前訓練アプローチがモデル性能を改善するために使用される。平均Diceスコアが0.8394のタスク1では4位,平均平均値が0.3941のタスク2では2位であった。
論文参考訳（メタデータ） (2022-10-09T13:12:20Z)
Enhancing Data Diversity for Self-training Based Unsupervised Cross-modality Vestibular Schwannoma and Cochlea Segmentation [7.327638441664658]
教師なし領域適応設定におけるVSとcochleaセグメンテーションのアプローチを提案する。まず、合成データの多様性を高めるために、クロスサイト・クロスモーダルな画像翻訳戦略を開発する。そこで,ルールベースのオフライン拡張手法を考案し,ドメインギャップを最小化する。最後に,自己学習による自己構成セグメンテーションフレームワークを採用し,最終的な結果を得た。
論文参考訳（メタデータ） (2022-09-23T22:26:51Z)
UniDAformer: Unified Domain Adaptive Panoptic Segmentation Transformer via Hierarchical Mask Calibration [49.16591283724376]
単一ネットワーク内でのドメイン適応型インスタンス分割とセマンティックセマンティックセマンティックセマンティクスを同時に実現可能な,シンプルで統一されたドメイン適応型パン光学セマンティクスセマンティクス変換器UniDAformerを設計する。 UniDAformerは階層型マスク(Hierarchical Mask, HMC)を導入し、オンザフライでのオンラインセルフトレーニングを通じて、領域、スーパーピクセル、注釈付きピクセルのレベルで不正確な予測を修正した。 1) 統合されたドメイン適応型パン光学適応を可能にする; 2) 誤った予測を緩和し、ドメイン適応型パン光学セグメンテーションを効果的に改善する; 3) より単純なトレーニングと推論パイプラインでエンドツーエンドのトレーニングを可能にする。
論文参考訳（メタデータ） (2022-06-30T07:32:23Z)
Distribution Regularized Self-Supervised Learning for Domain Adaptation of Semantic Segmentation [3.284878354988896]
本稿では,セマンティックセグメンテーションの自己教師付きドメイン適応のための画素レベル分布正規化スキーム(DRSL)を提案する。典型的な環境では、分類損失はセマンティックセグメンテーションモデルにクラス間のバリエーションをキャプチャする表現を欲しがらせるように強制する。クラス認識型マルチモーダル分布学習により,ピクセルレベルのクラス内変動を捉える。
論文参考訳（メタデータ） (2022-06-20T09:52:49Z)
Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
論文参考訳（メタデータ） (2021-12-12T06:11:16Z)
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)
DSP: Dual Soft-Paste for Unsupervised Domain Adaptive Semantic Segmentation [97.74059510314554]
セグメンテーションのための教師なしドメイン適応(UDA)は、ラベル付きソースドメインで訓練された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に適応させることを目的としている。既存の手法では、大きなドメインギャップに悩まされながら、ドメイン不変の特徴を学習しようとする。本稿では,新しいDual Soft-Paste (DSP)法を提案する。
論文参考訳（メタデータ） (2021-07-20T16:22:40Z)
Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文参考訳（メタデータ） (2021-05-17T10:11:45Z)

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。