Fugu-MT 論文翻訳(概要): Unsupervised cross domain learning with applications to 7 layer segmentation of OCTs

論文の概要: Unsupervised cross domain learning with applications to 7 layer segmentation of OCTs

arxiv url: http://arxiv.org/abs/2111.14804v1
Date: Tue, 23 Nov 2021 07:45:00 GMT
ステータス: 処理完了
システム内更新日: 2021-12-06 01:24:16.554529
Title: Unsupervised cross domain learning with applications to 7 layer segmentation of OCTs
Title（参考訳）: 教師なしクロスドメイン学習とOCTの7層セグメンテーションへの応用
Authors: Yue Wu, Abraham Olvera Barrios, Ryan Yanagihara, Irene Leung, Marian Blazes, Adnan Tufail, Aaron Lee
Abstract要約: OCT 7層セグメンテーションや、ラベル付きトレーニングデータがソースドメインでのみ利用可能であり、ターゲットドメインでは利用できない医療アプリケーションに対するクロスドメイン適応。提案手法は,ラベル付きトレーニングデータが高価で,取得に時間を要する医療分野や,ラベル付けされたドメインが新規すぎる分野への一般化に有効である。
参考スコア（独自算出の注目度）: 4.320483282189491
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Unsupervised cross domain adaptation for OCT 7 layer segmentation and other medical applications where labeled training data is only available in a source domain and unavailable in the target domain. Our proposed method helps generalize of deep learning to many areas in the medical field where labeled training data are expensive and time consuming to acquire or where target domains are too novel to have had labelling.
Abstract（参考訳）: ラベル付きトレーニングデータがソースドメインでのみ利用可能であり、ターゲットドメインでは利用できないOCT 7層セグメンテーションやその他の医療アプリケーションに対する教師なしクロスドメイン適応。提案手法は,ラベル付きトレーニングデータが高価で,取得に時間を要する医療分野や,ラベル付けされたドメインが新規すぎる分野などにおいて,深層学習の一般化を支援する。

関連論文リスト

Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
論文参考訳（メタデータ） (2023-08-25T10:22:13Z)
Multi-scale Feature Alignment for Continual Learning of Unlabeled Domains [3.9498537297431167]
生成的特徴駆動のイメージリプレイとデュアル目的判別器は、リプレイのための現実的な特徴を持つ画像の生成を可能にする。本稿では,提案手法の構成要素について詳細なアブレーション実験を行い,非教師付きパッチベースセグメンテーションタスクに対する連続的UDA法の適用可能性を示す。
論文参考訳（メタデータ） (2023-02-02T18:19:01Z)
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)
Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-06-29T08:46:27Z)
Box-Adapt: Domain-Adaptive Medical Image Segmentation using Bounding BoxSupervision [52.45336255472669]
深層学習のための弱教師付きドメイン適応設定を提案する。 Box-Adaptは、ソースドメインのきめ細かいセグナオンマスクとターゲットドメインの弱いバウンディングボックスを完全に探索する。肝セグメンテーションにおける本手法の有効性を実証する。
論文参考訳（メタデータ） (2021-08-19T01:51:04Z)
Unsupervised Domain Adaptation for Retinal Vessel Segmentation with Adversarial Learning and Transfer Normalization [22.186070895966022]
本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
論文参考訳（メタデータ） (2021-08-04T02:45:37Z)
Unsupervised Domain Adaptation for Dysarthric Speech Detection via Domain Adversarial Training and Mutual Information Minimization [52.82138296332476]
本稿では,非教師付き領域適応問題として,クロスドメイン・ディザスリック音声検出(DSD)を定式化するための最初の試みを行う。 DPC, DAT, 相互情報最小化(MIM)を含むマルチタスク学習戦略を提案する。実験の結果, 発話レベルの重み付き平均リコールと話者レベルの精度では, それぞれ22.2%, 20.0%の絶対的な増加が得られた。
論文参考訳（メタデータ） (2021-06-18T13:34:36Z)
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)
A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文参考訳（メタデータ） (2020-09-01T00:06:50Z)
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)
Domain Adaptive Medical Image Segmentation via Adversarial Learning of Disease-Specific Spatial Patterns [6.298270929323396]
複数の領域にまたがる画像セグメンテーション性能を向上させるための教師なしドメイン適応フレームワークを提案する。我々は,不適切なセグメンテーションパターンを拒絶し,意味情報や境界情報を通じて暗黙的に学習することで,新しいデータに適応するようにアーキテクチャを強制する。対象領域からのラベルなし画像上でのディープネットワークの再構成により,セグメント化精度が大幅に向上することが実証された。
論文参考訳（メタデータ） (2020-01-25T13:48:02Z)

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。