論文の概要: FUSION: Fully Unsupervised Test-Time Stain Adaptation via Fused
Normalization Statistics
- arxiv url: http://arxiv.org/abs/2208.14206v1
- Date: Tue, 30 Aug 2022 12:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-31 12:50:04.260285
- Title: FUSION: Fully Unsupervised Test-Time Stain Adaptation via Fused
Normalization Statistics
- Title(参考訳): FUSION:Fused Normalization Statisticsによる完全教師なしテスト時間ステイン適応
- Authors: Nilanjan Chattopadhyay, Shiv Gehlot, Nitin Singhal
- Abstract要約: フュージョンは、教師なしテスト時間シナリオにおいて、ターゲットにモデルを調整することで、染色適応を促進する新しい方法である。
ターゲットのバッチ正規化統計を変更し、重み付け係数を使用してソース統計と融合することで機能する。
2つの公開データセットに関する包括的な実験によって示されるように、分類と密集予測(セグメンテーション)のための既存の等価アルゴリズムを超越している。
- 参考スコア(独自算出の注目度): 1.3750624267664155
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Staining reveals the micro structure of the aspirate while creating
histopathology slides. Stain variation, defined as a chromatic difference
between the source and the target, is caused by varying characteristics during
staining, resulting in a distribution shift and poor performance on the target.
The goal of stain normalization is to match the target's chromatic distribution
to that of the source. However, stain normalisation causes the underlying
morphology to distort, resulting in an incorrect diagnosis. We propose FUSION,
a new method for promoting stain-adaption by adjusting the model to the target
in an unsupervised test-time scenario, eliminating the necessity for
significant labelling at the target end. FUSION works by altering the target's
batch normalization statistics and fusing them with source statistics using a
weighting factor. The algorithm reduces to one of two extremes based on the
weighting factor. Despite the lack of training or supervision, FUSION surpasses
existing equivalent algorithms for classification and dense predictions
(segmentation), as demonstrated by comprehensive experiments on two public
datasets.
- Abstract(参考訳): 染色は、組織学的スライドを作成しながら、吸引体の微細構造を明らかにする。
ソースとターゲットの発色差として定義される染色変化は、染色中の特性の変化によって引き起こされ、結果として分布の変化とターゲットの性能が低下する。
染色正規化の目的は、ターゲットの色分布をソースのそれと一致させることである。
しかし、染色の正常化は根底の形態を歪ませ、誤った診断につながる。
本研究では,非教師付きテストタイムシナリオにおいて,ターゲットに対してモデルを調整することにより,ターゲットエンドでの有意なラベル付けの必要性をなくし,ステンド適応を促進する新しい方法であるfusionを提案する。
fusionはターゲットのバッチ正規化統計を変更し、重み付け係数を用いてソース統計と融合することで動作する。
このアルゴリズムは重み付け係数に基づいて2つの極値のうちの1つに還元する。
トレーニングや監督の欠如にもかかわらず、FUSIONは2つの公開データセットに関する包括的な実験によって示されるように、分類と密集予測(セグメンテーション)のための既存の等価アルゴリズムを超越している。
関連論文リスト
- Invariant Anomaly Detection under Distribution Shifts: A Causal
Perspective [6.845698872290768]
異常検出(AD、Anomaly Detection)は、異常なサンプルを識別する機械学習タスクである。
分散シフトの制約の下では、トレーニングサンプルとテストサンプルが同じ分布から引き出されるという仮定が崩壊する。
我々は,異常検出モデルのレジリエンスを,異なる種類の分布シフトに高めようとしている。
論文 参考訳(メタデータ) (2023-12-21T23:20:47Z) - DataElixir: Purifying Poisoned Dataset to Mitigate Backdoor Attacks via
Diffusion Models [12.42597979026873]
汚染されたデータセットを浄化するための新しい衛生手法であるDataElixirを提案する。
我々は拡散モデルを利用してトリガーの特徴を排除し、良性の特徴を復元し、毒を盛ったサンプルを良性のものに変える。
9つの人気のある攻撃で実施された実験は、DataElixirが様々な複雑な攻撃を効果的に軽減し、良識の正確さに最小限の影響を与えることを示した。
論文 参考訳(メタデータ) (2023-12-18T09:40:38Z) - Learning Unknown Intervention Targets in Structural Causal Models from
Heterogeneous Data [27.38242139321935]
構造因果モデルにおける未知の介入対象を特定する問題について検討する。
潜在的共同設立者の存在下では、観察された変数間の介入対象を一意に決定することはできない。
我々の手法は、返却された候補集合は常に真の介入対象のサブセットであるため、技術の現状を改善します。
論文 参考訳(メタデータ) (2023-12-11T03:31:54Z) - Anomaly Detection with Variance Stabilized Density Estimation [67.96748304066827]
密度推定に基づく異常検出スキームは、通常、低密度領域に存在する異常をモデル化する。
修正された密度推定問題を提案し,その異常検出の有効性を実証する。
論文 参考訳(メタデータ) (2023-06-01T11:52:58Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳(メタデータ) (2023-05-17T17:47:19Z) - Dirichlet-based Uncertainty Calibration for Active Domain Adaptation [33.33529827699169]
アクティブドメイン適応(DA)は、アノテートする限られたターゲットデータを積極的に選択することで、新しいターゲットドメインに対するモデル適応を最大限に向上することを目的としている。
従来のアクティブな学習方法は、ドメインシフトの問題を考慮していないため、効果が低い場合がある。
そこで我々は,iDirichlet-based Uncertainty (DUC) approach for active DAを提案する。
論文 参考訳(メタデータ) (2023-02-27T14:33:29Z) - Delving into Identify-Emphasize Paradigm for Combating Unknown Bias [52.76758938921129]
同定精度を高めるため,有効バイアス強調スコアリング法(ECS)を提案する。
また, マイニングされたバイアスアライメントとバイアスコンプリケート試料のコントリビューションのバランスをとるために, 勾配アライメント(GA)を提案する。
様々な環境で複数のデータセットで実験を行い、提案されたソリューションが未知のバイアスの影響を軽減することを実証した。
論文 参考訳(メタデータ) (2023-02-22T14:50:24Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [55.52743265122446]
ディープオートエンコーダは視覚領域における異常検出のタスクに使われてきた。
我々は、訓練中に識別情報を使用することが可能な自己指導型学習体制を適用することで、この問題に対処する。
MVTec ADデータセットを用いた実験では,高い検出性能と局所化性能を示した。
論文 参考訳(メタデータ) (2022-06-23T14:16:30Z) - SLA$^2$P: Self-supervised Anomaly Detection with Adversarial
Perturbation [77.71161225100927]
異常検出は、機械学習の基本的な問題であるが、難しい問題である。
本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
論文 参考訳(メタデータ) (2021-11-25T03:53:43Z) - Covariate Shift in High-Dimensional Random Feature Regression [44.13449065077103]
共変量シフトは、堅牢な機械学習モデルの開発において重要な障害である。
現代の機械学習の文脈における理論的理解を示す。
論文 参考訳(メタデータ) (2021-11-16T05:23:28Z)
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。