論文の概要: Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains
- arxiv url: http://arxiv.org/abs/2302.01287v1
- Date: Thu, 2 Feb 2023 18:19:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-03 12:58:47.913628
- Title: Multi-scale Feature Alignment for Continual Learning of Unlabeled
Domains
- Title（参考訳）: ラベルなし領域の連続学習のためのマルチスケール特徴アライメント
- Authors: Kevin Thandiackal, Luigi Piccinelli, Pushpak Pati, Orcun Goksel
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.9498537297431167
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Methods for unsupervised domain adaptation (UDA) help to improve the
performance of deep neural networks on unseen domains without any labeled data.
Especially in medical disciplines such as histopathology, this is crucial since
large datasets with detailed annotations are scarce. While the majority of
existing UDA methods focus on the adaptation from a labeled source to a single
unlabeled target domain, many real-world applications with a long life cycle
involve more than one target domain. Thus, the ability to sequentially adapt to
multiple target domains becomes essential. In settings where the data from
previously seen domains cannot be stored, e.g., due to data protection
regulations, the above becomes a challenging continual learning problem. To
this end, we propose to use generative feature-driven image replay in
conjunction with a dual-purpose discriminator that not only enables the
generation of images with realistic features for replay, but also promotes
feature alignment during domain adaptation. We evaluate our approach
extensively on a sequence of three histopathological datasets for tissue-type
classification, achieving state-of-the-art results. We present detailed
ablation experiments studying our proposed method components and demonstrate a
possible use-case of our continual UDA method for an unsupervised patch-based
segmentation task given high-resolution tissue images.
- Abstract（参考訳）: 教師なしドメイン適応(UDA)の方法は、ラベル付きデータなしで見えないドメイン上でのディープニューラルネットワークの性能を向上させるのに役立つ。
特に病理学などの医学分野において、詳細な注釈のある大規模なデータセットは乏しいため、これは重要である。
既存のUDA手法のほとんどはラベル付きソースから単一のラベル付きターゲットドメインへの適応に重点を置いているが、長いライフサイクルを持つ現実世界のアプリケーションの多くは複数のターゲットドメインを含んでいる。
したがって、複数のターゲットドメインに順次適応する能力は不可欠である。
例えば、データ保護規則によって、前述のドメインからのデータを保存することができない環境では、上記の問題は継続的な学習の問題となる。
そこで本研究では,複目的判別器を併用した生成的特徴駆動画像再生法を提案する。
組織型分類のための3つの病理組織学的データセットの配列からアプローチを広く評価し,その結果を得た。
高分解能組織画像を用いた無監督パッチベースセグメンテーションタスクにおいて,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,その適用可能性を示した。
関連論文リスト
- Source-Free Domain Adaptation for Medical Image Segmentation via
Prototype-Anchored Feature Alignment and Contrastive Learning [57.43322536718131]
医用画像セグメンテーションのための2段階のソースフリードメイン適応(SFDA)フレームワークを提案する。
プロトタイプアンコールされた特徴アライメントの段階では,まず,事前学習した画素ワイド分類器の重みを原プロトタイプとして利用する。
そこで,本研究では,目標となる特徴とクラスプロトタイプとの整合性を期待するコストを最小化し,双方向輸送を導入する。
論文 参考訳（メタデータ） (2023-07-19T06:07:12Z) - Generative appearance replay for continual unsupervised domain
adaptation [4.623578780480946]
GarDAは生成再生に基づくアプローチで、セグメンテーションモデルをラベルのない新しいドメインに順次適用することができる。
臓器とモダリティの異なる2つのデータセット上でGarDAを評価する。
論文 参考訳（メタデータ） (2023-01-03T17:04:05Z) - 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) - AADG: Automatic Augmentation for Domain Generalization on Retinal Image
Segmentation [1.0452185327816181]
AADG(Automated Augmentation for Domain Generalization)と呼ばれるデータ操作に基づくドメイン一般化手法を提案する。
我々のAADGフレームワークは、新しいドメインを生成するデータ拡張ポリシーを効果的にサンプリングすることができる。
提案するAADGは,最先端の一般化性能を示し,既存手法より優れている。
論文 参考訳（メタデータ） (2022-07-27T02:26:01Z) - Domain-Agnostic Prior for Transfer Semantic Segmentation [197.9378107222422]
教師なしドメイン適応(UDA)はコンピュータビジョンコミュニティにおいて重要なトピックである。
ドメインに依存しない事前学習(DAP)を用いてドメイン間表現学習を規則化する機構を提案する。
我々の研究は、UDAがより良いプロキシ、おそらく他のデータモダリティの恩恵を受けていることを明らかにしている。
論文 参考訳（メタデータ） (2022-04-06T09:13:25Z) - Decompose to Adapt: Cross-domain Object Detection via Feature
Disentanglement [79.2994130944482]
本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。
DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。
提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
論文 参考訳（メタデータ） (2022-01-06T05:43:01Z) - 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) - Self-Rule to Adapt: Generalized Multi-source Feature Learning Using
Unsupervised Domain Adaptation for Colorectal Cancer Tissue Detection [9.074125289002911]
教師付き学習はラベル付きデータの可用性によって制限される。
本稿では、自己教師付き学習を利用してドメイン適応を行うSRAを提案する。
論文 参考訳（メタデータ） (2021-08-20T13:52:33Z) - 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) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - 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。
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。