論文の概要: Radial Prediction Domain Adaption Classifier for the MIDOG 2022 challenge

• arxiv url: http://arxiv.org/abs/2208.13902v1
• Date: Mon, 29 Aug 2022 21:50:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-31 13:03:19.835425
• Title: Radial Prediction Domain Adaption Classifier for the MIDOG 2022 challenge
• Title（参考訳）: MIDOG 2022チャレンジのための放射予測領域適応分類器
• Authors: Jonas Annuscheit
• Abstract要約: 追加データを用いることなくMIDOG 2022チャレンジへのコントリビューションについて述べる。 有糸分裂細胞検出のための異なる組織間の分布の処理 この派生型は各クラスのプロトタイプを学び、より多くの関連するクラスを近づける。
• 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 this paper, we describe our contribution to the MIDOG 2022 challenge without using additional data. A challenge to handle the distribution shift between different tissues for detection of mitosis cells. The main characteristics parts can be distinguished into three parts: We modify the Radial Prediction Layer (RPL) to integrate the layer in a domain adaption classifier, the Prediction Domain Adaption Classifier (RP-DAC). This developed variant learns prototypes for each class and brings more related classes closer. We used this to learn the scanner, the tissue, and the case id. We used multiple trained YOLO models with different modified input variants of the image. We combine the outputs of the model with an ensembling strategy. We use the HED color space for data augmentation by calculating different magnitudes for each scanner/tissue type to create more variance in the training set.
• Abstract（参考訳）: 本稿では,midog 2022チャレンジへの追加データを用いずに貢献について述べる。 分裂細胞検出のための異なる組織間の分布シフトに対処するための課題 主な特徴部分は3つの部分に分けられる: ドメイン適応分類器(RP-DAC)に層を統合するために放射予測層(RPL)を変更する。 この派生型は各クラスのプロトタイプを学習し、関連するクラスをより近づける。 私たちはこれを使ってスキャナー、組織、そしてケースIDを学習しました。 画像の異なる入力変種で複数の訓練されたYOLOモデルを用いた。 モデルの出力とアンサンブル戦略を組み合わせる。 データ拡張にHED色空間を使用し、各スキャナー/タスクタイプ毎に異なる等級を計算し、トレーニングセットにより多くのばらつきを生じさせる。

関連論文リスト

• Stethoscope-guided Supervised Contrastive Learning for Cross-domain Adaptation on Respiratory Sound Classification [1.690115983364313]
  本稿では、ソースドメインから異なるターゲットドメインに知識を転送するクロスドメイン適応手法を提案する。 特に、個々の領域として異なる聴診器タイプを考慮し、新しい聴診器誘導型教師付きコントラスト学習手法を提案する。 ICBHIデータセットの実験結果から,提案手法はドメイン依存性の低減とICBHIスコア61.71%の達成に有効であることが示された。
  論文  参考訳（メタデータ） (2023-12-15T08:34:31Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
  ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。 我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。 我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
  論文  参考訳（メタデータ） (2023-01-03T13:06:44Z)
• 1st Place Solution to NeurIPS 2022 Challenge on Visual Domain Adaptation [4.06040510836545]
  本稿では,ドメイン適応モデルにいくつかの手法を組み込んだSIA_Adapt法を提案する。 提案手法はVisDA2022における第1位を達成している。
  論文  参考訳（メタデータ） (2022-11-26T15:45:31Z)
• SSDA-YOLO: Semi-supervised Domain Adaptive YOLO for Cross-Domain Object Detection [27.02391566687007]
  ドメイン適応オブジェクト検出(DAD)は、ドメイン間の不一致に起因する転送性能の劣化を軽減することを目的としている。 クロスドメイン検出性能を向上させるために,新しい半教師付きドメイン適応型YOLO(SSDA-YOLO)を提案する。
  論文  参考訳（メタデータ） (2022-11-04T01:50:13Z)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Frequency Spectrum Augmentation Consistency for Domain Adaptive Object Detection [107.52026281057343]
  周波数スペクトル拡張整合(FSAC)フレームワークを4種類の低周波フィルタで構成する。 最初の段階では、オリジナルおよび拡張されたソースデータを全て利用して、オブジェクト検出器を訓練する。 第2段階では、予測一貫性のための自己学習を行うために、擬似ラベル付き拡張現実とターゲットデータを採用する。
  論文  参考訳（メタデータ） (2021-12-16T04:07:01Z)
• UDALM: Unsupervised Domain Adaptation through Language Modeling [79.73916345178415]
  複合分類とマスキング言語モデル損失を用いた微調整手順であるUDALMについて紹介します。 本実験では, 混合損失スケールと利用可能な目標データの量で訓練されたモデルの性能を, 停止基準として有効に用いることを示した。 この方法は、amazon reviewsセンチメントデータセットの12のドメインペアで評価され、9.1.74%の精度が得られ、最先端よりも1.11%の絶対的な改善が得られます。
  論文  参考訳（メタデータ） (2021-04-14T19:05:01Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• 1st Place Solution to VisDA-2020: Bias Elimination for Domain Adaptive Pedestrian Re-identification [17.065458476210175]
  本稿では,視覚領域適応チャレンジ(VisDA-2020)における領域適応型歩行者再識別(Re-ID)タスクを提案する。 ソースドメインとターゲットドメインの間の大きなギャップを考慮すると、ドメイン適応歩行者リidの性能に影響を与える2つのバイアスの解決に焦点をあてた。 私達の方法はテスト セットの76.56% mAPそして84.25%のランク-1を達成します。
  論文  参考訳（メタデータ） (2020-12-25T03:02:46Z)

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。