論文の概要: Knowledge Transfer via Multi-Head Feature Adaptation for Whole Slide
Image Classification
- arxiv url: http://arxiv.org/abs/2303.05780v1
- Date: Fri, 10 Mar 2023 08:29:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 15:41:36.540249
- Title: Knowledge Transfer via Multi-Head Feature Adaptation for Whole Slide
Image Classification
- Title(参考訳): フルスライド画像分類のためのマルチヘッド特徴適応による知識伝達
- Authors: Conghao Xiong, Yi Lin, Hao Chen, Joseph Sung, Irwin King
- Abstract要約: ソースドメインから同一または類似のターゲットドメインへの事前知識の転送は、ターゲットドメイン上のモデルの性能を大幅に向上させる。
提案するマルチヘッド特徴適応モジュールは,特徴空間内の特徴を対象空間とより類似した新しい空間に投影する。
知識伝達モデルでは、データセット中のWSIの数に関係なく、スクラッチからトレーニングされたモデルよりも優れていることを示す。
- 参考スコア(独自算出の注目度): 38.931261797069304
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transferring prior knowledge from a source domain to the same or similar
target domain can greatly enhance the performance of models on the target
domain. However, it is challenging to directly leverage the knowledge from the
source domain due to task discrepancy and domain shift. To bridge the gaps
between different tasks and domains, we propose a Multi-Head Feature Adaptation
module, which projects features in the source feature space to a new space that
is more similar to the target space. Knowledge transfer is particularly
important in Whole Slide Image (WSI) classification since the number of WSIs in
one dataset might be too small to achieve satisfactory performance. Therefore,
WSI classification is an ideal testbed for our method, and we adapt multiple
knowledge transfer methods for WSI classification. The experimental results
show that models with knowledge transfer outperform models that are trained
from scratch by a large margin regardless of the number of WSIs in the
datasets, and our method achieves state-of-the-art performances among other
knowledge transfer methods on multiple datasets, including TCGA-RCC,
TCGA-NSCLC, and Camelyon16 datasets.
- Abstract(参考訳): ソースドメインから同一または類似のターゲットドメインへの事前知識の転送は、ターゲットドメイン上のモデルの性能を大幅に向上させる。
しかし、タスクの不一致とドメインシフトのため、ソースドメインからの知識を直接活用することは困難である。
異なるタスクとドメイン間のギャップを埋めるために、ソース機能空間の機能をターゲット空間とより類似した新しい空間に投影するマルチヘッド特徴適応モジュールを提案する。
知識伝達は、データセットのWSIの数が小さすぎるため、WSI(Whole Slide Image)分類において特に重要である。
したがって、wsi分類は、本手法の理想的なテストベッドであり、複数の知識伝達法をwsi分類に適用する。
実験結果から, データセットのWSI数によらず, ゼロから学習した知識伝達モデルの方が優れたモデルであることが示され, 提案手法は, TCGA-RCC, TCGA-NSCLC, Camelyon16データセットを含む複数のデータセット上での知識伝達手法の最先端性能を実現する。
関連論文リスト
- CDFSL-V: Cross-Domain Few-Shot Learning for Videos [58.37446811360741]
ビデオのアクション認識は、いくつかのラベル付き例でのみ、新しいカテゴリを認識するための効果的なアプローチである。
既存のビデオアクション認識の方法は、同じドメインからの大きなラベル付きデータセットに依存している。
本稿では,自己教師付き学習とカリキュラム学習を活用した,クロスドメインな数ショットビデオ行動認識手法を提案する。
論文 参考訳(メタデータ) (2023-09-07T19:44:27Z) - MemSAC: Memory Augmented Sample Consistency for Large Scale Unsupervised
Domain Adaptation [71.4942277262067]
本稿では,ソースドメインとターゲットドメイン間のサンプルレベルの類似性を利用して識別的転送を実現するMemSACを提案する。
我々は,MemSACの有効性に関する詳細な分析と知見を提供する。
論文 参考訳(メタデータ) (2022-07-25T17:55:28Z) - AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。
本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。
AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
論文 参考訳(メタデータ) (2022-02-18T10:14:45Z) - Few-Shot Classification in Unseen Domains by Episodic Meta-Learning
Across Visual Domains [36.98387822136687]
興味のあるカテゴリのラベル付き例がほとんどないため、いくつかのショット分類は、分類を実行することを目的としている。
本稿では,ドメイン一般化型少ショット分類のための一意学習フレームワークを提案する。
メタ学習戦略を進めることで、学習フレームワークは複数のソースドメインにまたがるデータを利用して、ドメイン不変の機能をキャプチャします。
論文 参考訳(メタデータ) (2021-12-27T06:54:11Z) - Improving Transferability of Domain Adaptation Networks Through Domain
Alignment Layers [1.3766148734487902]
マルチソースアン教師付きドメイン適応(MSDA)は、ソースモデルの袋から弱い知識を割り当てることで、ラベルのないドメインの予測子を学習することを目的としている。
我々は,DomaIn Alignment Layers (MS-DIAL) のマルチソースバージョンを予測器の異なるレベルに埋め込むことを提案する。
我々の手法は最先端のMSDA法を改善することができ、分類精度の相対利得は+30.64%に達する。
論文 参考訳(メタデータ) (2021-09-06T18:41:19Z) - Domain Adaptation for Learning Generator from Paired Few-Shot Data [72.04430033118426]
十分なソースデータと少数のターゲットデータを持つジェネレータを学習するためのペアドフェーショットGAN(PFS-GAN)モデルを提案する。
提案手法は,複数のベースラインと比較して,より多様性の高い生成対象ドメインデータに対して,定量的,定性的な結果が得られる。
論文 参考訳(メタデータ) (2021-02-25T10:11:44Z) - Towards Adaptive Semantic Segmentation by Progressive Feature Refinement [16.40758125170239]
セグメンテーションネットワークの転送可能性を高めるために,ドメイン逆学習とともに,革新的なプログレッシブな特徴改善フレームワークを提案する。
その結果、ソース・ドメイン・イメージで訓練されたセグメンテーション・モデルは、大幅な性能劣化を伴わずにターゲット・ドメインに転送できる。
論文 参考訳(メタデータ) (2020-09-30T04:17:48Z) - Physically-Constrained Transfer Learning through Shared Abundance Space
for Hyperspectral Image Classification [14.840925517957258]
本稿では、ソースとターゲットドメイン間のギャップを埋める新しい転送学習手法を提案する。
提案手法は,共有空間を経由した物理制約付き移動学習と呼ばれる。
論文 参考訳(メタデータ) (2020-08-19T17:41:37Z) - Learning to Combine: Knowledge Aggregation for Multi-Source Domain
Adaptation [56.694330303488435]
マルチソースドメイン適応(LtC-MSDA)フレームワークを併用する学習法を提案する。
簡単に言うと、知識グラフは様々なドメインのプロトタイプ上に構築され、セマンティックに隣接した表現間の情報伝達を実現する。
我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2020-07-17T07:52:44Z)
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。