Fugu-MT 論文翻訳(概要): Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification

論文の概要: Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification

arxiv url: http://arxiv.org/abs/2303.01283v1
Date: Thu, 2 Mar 2023 14:07:36 GMT
ステータス: 処理完了
システム内更新日: 2023-03-03 14:00:30.737253
Title: Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical Image Classification
Title（参考訳）: 不均衡医用画像分類のためのクラスタガイド半監督領域適応
Authors: Shota Harada, Ryoma Bise, Kengo Araki, Akihiko Yoshizawa, Kazuhiro Terada, Mariyo Kurata, Naoki Nakajima, Hiroyuki Abe, Tetsuo Ushiku, Seiichi Uchida
Abstract要約: 我々は,クラス不均衡な状況に頑健な半教師付きドメイン適応手法を開発した。高純度クラスタを得るために,ロバストなクラスタリングパイプラインを提案する。提案手法は, 高度にクラス不均衡な画像パッチを用いた実験において, 最先端の性能を示した。
参考スコア（独自算出の注目度）: 10.92984910426756
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised domain adaptation is a technique to build a classifier for a target domain by modifying a classifier in another (source) domain using many unlabeled samples and a small number of labeled samples from the target domain. In this paper, we develop a semi-supervised domain adaptation method, which has robustness to class-imbalanced situations, which are common in medical image classification tasks. For robustness, we propose a weakly-supervised clustering pipeline to obtain high-purity clusters and utilize the clusters in representation learning for domain adaptation. The proposed method showed state-of-the-art performance in the experiment using severely class-imbalanced pathological image patches.
Abstract（参考訳）: 半教師付きドメイン適応は、多くの未ラベルサンプルとターゲットドメインからの少数のラベル付きサンプルを使用して、別の(ソース)ドメインの分類器を変更することによって、ターゲットドメインの分類器を構築する技術である。本稿では,医用画像分類に共通するクラス不均衡な状況に頑健な半教師付き領域適応法を開発した。高純度クラスタを得るための弱教師付きクラスタリングパイプラインを提案し、ドメイン適応のための表現学習にクラスタを利用する。提案手法は,高度にクラスバランスの取れない病理画像パッチを用いた実験において最先端のパフォーマンスを示した。

関連論文リスト

Few-Shot Domain Adaptive Object Detection for Microscopic Images [7.993453987882035]
Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。私たちのコントリビューションには、少数ショットシナリオのためのドメイン適応型クラスバランス戦略、複数レイヤのインスタンスレベル間およびドメイン内アライメント、インスタンスレベルの分類損失が含まれています。
論文参考訳（メタデータ） (2024-07-10T13:11:58Z)
Polycentric Clustering and Structural Regularization for Source-free Unsupervised Domain Adaptation [20.952542421577487]
Source-Free Domain Adaptation (SFDA)は、訓練済みのソースモデルから学習した知識を未確認のターゲットドメインに転送することで、ドメイン適応問題を解決することを目的としている。既存のほとんどのメソッドは、機能プロトタイプを生成することによって、ターゲットデータに擬似ラベルを割り当てる。本稿では,PCSRと命名された新しいフレームワークを,クラス内多中心クラスタリングおよび構造規則化戦略を通じてSFDAに取り組むために提案する。
論文参考訳（メタデータ） (2022-10-14T02:20:48Z)
AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
論文参考訳（メタデータ） (2021-06-10T05:01:20Z)
Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文参考訳（メタデータ） (2021-04-19T16:07:32Z)
Instance Level Affinity-Based Transfer for Unsupervised Domain Adaptation [74.71931918541748]
ILA-DAと呼ばれる適応中のソースからターゲットへの転送に対するインスタンス親和性に基づく基準を提案する。まず、ソースとターゲットをまたいだ類似および異種サンプルを抽出し、マルチサンプルのコントラスト損失を利用してドメインアライメントプロセスを駆動する信頼性が高く効率的な手法を提案する。 ILA-DAの有効性は、様々なベンチマークデータセットに対する一般的なドメイン適応手法よりも精度が一貫した改善を観察することによって検証する。
論文参考訳（メタデータ） (2021-04-03T01:33:14Z)
Cross-Domain Grouping and Alignment for Domain Adaptive Semantic Segmentation [74.3349233035632]
深層畳み込みニューラルネットワーク(CNN)内のソースドメインとターゲットドメインにセマンティックセグメンテーションネットワークを適用する既存の技術は、対象ドメイン自身や推定カテゴリ内のクラス間変異を考慮していない。学習可能なクラスタリングモジュールと、クロスドメイングルーピングとアライメントと呼ばれる新しいドメイン適応フレームワークを導入する。本手法はセマンティクスセグメンテーションにおける適応性能を一貫して向上させ,様々なドメイン適応設定において最先端を上回っている。
論文参考訳（メタデータ） (2020-12-15T11:36:21Z)
Learning a Domain Classifier Bank for Unsupervised Adaptive Object Detection [48.19258721979389]
本稿では,ディープネットワークに基づく物体検出のための細粒度領域アライメント手法を提案する。そこで我々は,適応検出器として細粒度領域アライメント機構を備えた素物体検出器を開発した。 3つの一般的な転送ベンチマーク実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2020-07-06T09:12:46Z)
Class Distribution Alignment for Adversarial Domain Adaptation [32.95056492475652]
両領域間のサンプルのクラス分布を明示的に整合させるために, CADIT (Conditional ADversarial Image Translation) を提案する。識別構造保存損失と連立対向生成損失を統合している。提案手法は,最先端手法と比較して,対象領域の優れた分類を実現する。
論文参考訳（メタデータ） (2020-04-20T15:58:11Z)
Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文参考訳（メタデータ） (2020-03-04T23:25:09Z)

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。