Fugu-MT 論文翻訳(概要): Inter-Semantic Domain Adversarial in Histopathological Images

論文の概要: Inter-Semantic Domain Adversarial in Histopathological Images

arxiv url: http://arxiv.org/abs/2201.09041v1
Date: Sat, 22 Jan 2022 12:55:59 GMT
ステータス: 処理完了
システム内更新日: 2022-01-28 08:46:05.344337
Title: Inter-Semantic Domain Adversarial in Histopathological Images
Title（参考訳）: 病理組織像におけるsemantic domain adversarial
Authors: Nicolas Dumas, Valentin Derang\`ere, Laurent Arnould, Sylvain Ladoire, Louis-Oscar Morel, Nathan Vin\c{c}on
Abstract要約: コンピュータビジョンにおいて、データシフトは安全で堅牢なディープラーニングアプリケーションにとって大きな障壁であることが証明されている。すべての利用可能なデータを使用して、モデルがデータシフトに対して堅牢にできる範囲を理解することが重要です。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In computer vision, data shift has proven to be a major barrier for safe and robust deep learning applications. In medical applications, histopathological images are often associated with data shift and they are hardly available. It is important to understand to what extent a model can be made robust against data shift using all available data. Here, we first show that domain adversarial methods can be very deleterious if they are wrongly used. We then use domain adversarial methods to transfer data shift invariance from one dataset to another dataset with different semantics and show that domain adversarial methods are efficient inter-semantically with similar performance than intra-semantical domain adversarial methods.
Abstract（参考訳）: コンピュータビジョンでは、データシフトは安全で堅牢なディープラーニングアプリケーションにとって大きな障壁であることが証明されている。医学的応用では、病理組織像はしばしばデータシフトと関連付けられ、ほとんど利用できない。すべての利用可能なデータを使用して、モデルがデータシフトに対して堅牢にできる範囲を理解することが重要です。ここでは, ドメイン逆法が誤用された場合, 極めて有害であることを示す。次に、異なるセマンティクスを持つデータセットから別のデータセットへのデータシフト不変性を転送するドメイン逆法を用いて、ドメイン逆法が、セマンティカル内のドメイン逆法と同等の性能を持つ効率的な相互意味論的手法であることを示す。

関連論文リスト

SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文参考訳（メタデータ） (2023-04-06T17:36:23Z)
Towards Measuring Domain Shift in Histopathological Stain Translation in an Unsupervised Manner [0.0]
本稿では,PixelCNNとドメインシフト指標を用いて,デジタル病理学におけるドメインシフトの検出と定量化を行う。発見は、(ソースデータに基づいてトレーニングされた)モデルの平均的なパフォーマンスを、目に見えないターゲットデータと遅延しないターゲットデータに基づいて推測するメカニズムの道を開く。
論文参考訳（メタデータ） (2022-05-09T15:18:12Z)
Modelling Adversarial Noise for Adversarial Defense [96.56200586800219]
敵の防御は、通常、敵の音を除去したり、敵の頑強な目標モデルを訓練するために、敵の例を活用することに焦点を当てる。逆データと自然データの関係は、逆データからクリーンデータを推測し、最終的な正しい予測を得るのに役立ちます。本研究では, ラベル空間の遷移関係を学習するために, 逆方向の雑音をモデル化し, 逆方向の精度を向上させることを目的とした。
論文参考訳（メタデータ） (2021-09-21T01:13:26Z)
Adversarial Continual Learning for Multi-Domain Hippocampal Segmentation [0.46023882211671957]
医用画像の深層学習は、データ可用性に関する時間的およびプライバシー関連の制約に悩まされている。本稿では,2つ以上のデータセットの同時可用性を活用して,コンテンツとドメイン間の絡み合いを学習するアーキテクチャを提案する。本手法は破滅的な忘れ込みを減らし,最先端の継続的学習方法より優れていることを示す。
論文参考訳（メタデータ） (2021-07-19T10:55:21Z)
Adversarial Semantic Hallucination for Domain Generalized Semantic Segmentation [50.14933487082085]
本稿では,クラスワイド・幻覚モジュールとセマンティック・セグメンテーション・モジュールを組み合わせた対向幻覚手法を提案する。対象とするドメインデータをトレーニングに使用できない場合に,提案手法の有効性を実証した。
論文参考訳（メタデータ） (2021-06-08T07:07:45Z)
Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
論文参考訳（メタデータ） (2021-05-05T11:55:53Z)
Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。本論文は異種性を受け入れ,マルチタスク学習問題として扱う。提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
論文参考訳（メタデータ） (2021-03-23T21:36:39Z)
Surprisingly Simple Semi-Supervised Domain Adaptation with Pretraining and Consistency [93.89773386634717]
ビジュアルドメイン適応は、異なるソースドメインで利用可能なラベルを使用して、ターゲットのビジュアルドメインからイメージを分類する学習を含む。いくつかの目標ラベルが存在する場合、(回転予測による)自己スーパービジョンや整合正則化といった単純な手法が、適切な目標分類器を学習するための対角アライメントなしで有効であることを示す。我々の事前学習と一貫性(PAC)アプローチは、この半教師付きドメイン適応タスクにおいて、複数のデータセットにまたがる複数の対向的なドメインアライメント手法を超越して、技術精度を達成することができる。
論文参考訳（メタデータ） (2021-01-29T18:40:17Z)
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 Segmentation with Adversarial Loss and Covariate Shift for Biomedical Imaging [2.1204495827342438]
本論文は,異なるモダリティから異なるパターンと共有パターンをカプセル化することにより,ドメイン間データから堅牢な表現を学習できる新しいモデルの実現を目的とする。正常な臨床試験で得られたCTおよびMRI肝データに対する試験は、提案したモデルが他のすべてのベースラインを大きなマージンで上回っていることを示している。
論文参考訳（メタデータ） (2020-06-08T07:35:55Z)

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。