論文の概要: FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation

• arxiv url: http://arxiv.org/abs/2304.11557v1
• Date: Sun, 23 Apr 2023 06:58:21 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-25 17:42:04.810883
• Title: FAN-Net: Fourier-Based Adaptive Normalization For Cross-Domain Stroke Lesion Segmentation
• Title（参考訳）: FAN-Net:クロスドメインストローク病変分割のためのフーリエベース適応正規化
• Authors: Weiyi Yu, Yiming Lei, Hongming Shan
• Abstract要約: フーリエ適応正規化(FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netを提案する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。
• 参考スコア（独自算出の注目度）: 17.150527504559594
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Since stroke is the main cause of various cerebrovascular diseases, deep learning-based stroke lesion segmentation on magnetic resonance (MR) images has attracted considerable attention. However, the existing methods often neglect the domain shift among MR images collected from different sites, which has limited performance improvement. To address this problem, we intend to change style information without affecting high-level semantics via adaptively changing the low-frequency amplitude components of the Fourier transform so as to enhance model robustness to varying domains. Thus, we propose a novel FAN-Net, a U-Net--based segmentation network incorporated with a Fourier-based adaptive normalization (FAN) and a domain classifier with a gradient reversal layer. The FAN module is tailored for learning adaptive affine parameters for the amplitude components of different domains, which can dynamically normalize the style information of source images. Then, the domain classifier provides domain-agnostic knowledge to endow FAN with strong domain generalizability. The experimental results on the ATLAS dataset, which consists of MR images from 9 sites, show the superior performance of the proposed FAN-Net compared with baseline methods.
• Abstract（参考訳）: 脳卒中が脳血管疾患の主な原因であるため,MRI画像による深層学習による脳梗塞のセグメンテーションが注目されている。 しかし,既存の手法では,異なるサイトから収集したmr画像の領域シフトを無視することが多い。 この問題に対処するため,フーリエ変換の低周波振幅成分を適応的に変化させることにより,高レベルセマンティクスに影響を与えずにスタイル情報を変更し,異なる領域に対するモデルのロバスト性を向上させる。 そこで本研究では,Fourier-based Adaptive normalization (FAN)を組み込んだU-NetベースのセグメンテーションネットワークであるFAN-Netと,勾配反転層を持つドメイン分類器を提案する。 FANモジュールは、異なる領域の振幅成分に対する適応アフィンパラメータを学習するために調整されており、ソース画像のスタイル情報を動的に正規化することができる。 次に、ドメイン分類器はドメインに依存しない知識を提供し、FANを強いドメイン一般化性で支持する。 9地点のMR画像からなるATLASデータセットの実験結果は,ベースライン法と比較して提案したFAN-Netの優れた性能を示している。

関連論文リスト

• S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
  ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。 シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。 いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
  論文  参考訳（メタデータ） (2024-08-11T15:58:24Z)
• Domain Generalization with Fourier Transform and Soft Thresholding [10.50210846364862]
  ドメインの一般化は、複数のソースドメイン上のモデルをトレーニングして、見当たらないターゲットドメインに適切に一般化することを目的としている。 この制限を克服するために、フーリエ整域にソフトスレッディング関数を導入する。 フーリエ変換に基づく領域一般化と融合したソフトしきい値の革新的な性質は、ニューラルネットワークモデルの性能を向上させる。
  論文  参考訳（メタデータ） (2023-09-18T15:28:09Z)
• Domain Generalisation via Domain Adaptation: An Adversarial Fourier Amplitude Approach [13.642506915023871]
  最悪の対象ドメインを逆向きに合成し、その最悪の対象ドメインにモデルを適用する。 DomainBedNetデータセットでは、提案手法により、ドメインの一般化性能が大幅に向上する。
  論文  参考訳（メタデータ） (2023-02-23T14:19:07Z)
• Transfering Low-Frequency Features for Domain Adaptation [44.86474562827323]
  我々は低周波モジュール(LFM)と呼ばれるアプローチを導入し、ドメイン不変の特徴表現を抽出する。 実験の結果,LFMは様々なコンピュータビジョンタスクの最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-08-31T09:13:25Z)
• Variational Transfer Learning using Cross-Domain Latent Modulation [1.9662978733004601]
  本稿では,効率的な転送学習を実現するために,新しいドメイン間遅延変調機構を変分オートエンコーダフレームワークに導入する。 ソース領域とターゲット領域の深部表現は、まず統一推論モデルにより抽出され、勾配逆数を用いて整列される。 学習した深層表現は、一貫性の制約が適用される代替ドメインの潜在エンコーディングにクロスモデレートされる。
  論文  参考訳（メタデータ） (2022-05-31T03:47:08Z)
• Deep Frequency Filtering for Domain Generalization [55.66498461438285]
  Deep Neural Networks(DNN)は、学習プロセスにおいて、いくつかの周波数成分を優先する。 本稿では、ドメイン一般化可能な特徴を学習するためのDeep Frequency Filtering (DFF)を提案する。 提案したDFFをベースラインに適用すると,ドメインの一般化タスクにおける最先端の手法よりも優れることを示す。
  論文  参考訳（メタデータ） (2022-03-23T05:19:06Z)
• Amplitude Spectrum Transformation for Open Compound Domain Adaptive Semantic Segmentation [62.68759523116924]
  オープン化合物ドメイン適応(OCDA)は、実用的な適応セットとして現れている。 我々は、新しい特徴空間振幅スペクトル変換(AST)を提案する。
  論文  参考訳（メタデータ） (2022-02-09T05:40:34Z)
• 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)
• A Fourier-based Framework for Domain Generalization [82.54650565298418]
  ドメインの一般化は、複数のソースドメインから伝達可能な知識を学習して、未確認のターゲットドメインに一般化することでこの問題に対処することを目的としている。 本稿では、ドメイン一般化のための新しいフーリエに基づく視点を紹介する。 3つのベンチマーク実験により,提案手法は領域一般化のための最先端性能を実現することができることを示した。
  論文  参考訳（メタデータ） (2021-05-24T06:50:30Z)
• Cross-Domain Latent Modulation for Variational Transfer Learning [1.9212368803706577]
  分散オートエンコーダ(VAE)フレームワーク内のクロスドメイン潜時変調機構を提案し,トランスファー学習の改善を実現する。 提案モデルは,教師なし領域適応や画像から画像への変換など,多くのトランスファー学習タスクに適用する。
  論文  参考訳（メタデータ） (2020-12-21T22:45:00Z)
• FDA: Fourier Domain Adaptation for Semantic Segmentation [82.4963423086097]
  本稿では,教師なし領域適応の簡易な手法について述べる。一方の低周波スペクトルを他方と交換することにより,音源と対象分布の相違を低減できる。 本手法を意味的セグメンテーション(semantic segmentation, 意味的セグメンテーション, 意味的セグメンテーション)で説明する。 以上の結果から,より高度な手法が学習に苦しむデータにおいて,単純な手順であってもニュアンス変動を低減できる可能性が示唆された。
  論文  参考訳（メタデータ） (2020-04-11T22:20:48Z)

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。