論文の概要: FVP: Fourier Visual Prompting for Source-Free Unsupervised Domain
Adaptation of Medical Image Segmentation
- arxiv url: http://arxiv.org/abs/2304.13672v1
- Date: Wed, 26 Apr 2023 16:42:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-27 13:32:40.452847
- Title: FVP: Fourier Visual Prompting for Source-Free Unsupervised Domain
Adaptation of Medical Image Segmentation
- Title（参考訳）: FVP: 医用画像セグメンテーションの非教師なし領域適応のためのフーリエ視覚プロンプト
- Authors: Yan Wang, Jian Cheng, Yixin Chen, Shuai Shao, Lanyun Zhu, Zhenzhou Wu,
Tao Liu, Haogang Zhu
- Abstract要約: 医用画像セグメンテーションのSFUDAのためのフーリエ・ビジュアル・プロンプティング(FVP)を提案する。
FVPは、入力対象データに視覚的プロンプトを追加することにより、凍結した事前訓練されたモデルを、ターゲット領域で良好に動作させる。
我々の知る限り、FVPは医用画像分割のための視覚的プロンプトをSFUDAに適用する最初の試みである。
- 参考スコア（独自算出の注目度）: 36.2728825186388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Medical image segmentation methods normally perform poorly when there is a
domain shift between training and testing data. Unsupervised Domain Adaptation
(UDA) addresses the domain shift problem by training the model using both
labeled data from the source domain and unlabeled data from the target domain.
Source-Free UDA (SFUDA) was recently proposed for UDA without requiring the
source data during the adaptation, due to data privacy or data transmission
issues, which normally adapts the pre-trained deep model in the testing stage.
However, in real clinical scenarios of medical image segmentation, the trained
model is normally frozen in the testing stage. In this paper, we propose
Fourier Visual Prompting (FVP) for SFUDA of medical image segmentation.
Inspired by prompting learning in natural language processing, FVP steers the
frozen pre-trained model to perform well in the target domain by adding a
visual prompt to the input target data. In FVP, the visual prompt is
parameterized using only a small amount of low-frequency learnable parameters
in the input frequency space, and is learned by minimizing the segmentation
loss between the predicted segmentation of the prompted target image and
reliable pseudo segmentation label of the target image under the frozen model.
To our knowledge, FVP is the first work to apply visual prompts to SFUDA for
medical image segmentation. The proposed FVP is validated using three public
datasets, and experiments demonstrate that FVP yields better segmentation
results, compared with various existing methods.
- Abstract（参考訳）: 医用画像分割法は通常、トレーニングとテストデータの間にドメインシフトがある場合、うまく動作しない。
Unsupervised Domain Adaptation (UDA)は、ソースドメインからのラベル付きデータとターゲットドメインからのラベルなしデータの両方を使用してモデルをトレーニングすることで、ドメインシフトの問題に対処する。
source-free uda (sfuda) は、データプライバシやデータ送信の問題により、テスト段階でトレーニング済みの深層モデルに通常適用されるため、適応時にソースデータを必要とせずにudaに対して最近提案された。
しかし、医用画像セグメンテーションの実際の臨床シナリオでは、訓練されたモデルはテスト段階で凍結される。
本稿では,医用画像セグメンテーションのSFUDAのためのFuer Visual Prompting (FVP)を提案する。
FVPは、自然言語処理の学習を促すことによって、凍結した事前訓練されたモデルを、入力対象データに視覚的プロンプトを追加することにより、ターゲット領域で良好に動作させる。
fvpでは、入力周波数空間における少量の低周波学習可能なパラメータのみを用いて視覚プロンプトをパラメータ化し、予測された目標画像のセグメンテーションと、目標画像の信頼できる疑似セグメンテーションラベルとのセグメンテーション損失を凍結モデルで最小化することで学習する。
我々の知る限り、FVPは医用画像分割のための視覚的プロンプトをSFUDAに適用する最初の試みである。
提案したFVPは3つの公開データセットを用いて検証され、実験により、FVPは既存の様々な手法と比較してより良いセグメンテーション結果が得られることを示した。
関連論文リスト
- Robust Source-Free Domain Adaptation for Fundus Image Segmentation [3.585032903685044]
Unlabelled Domain Adaptation (UDA)は、ラベル付きデータから学習した知識を、未ラベルデータのみを使用してターゲットドメインに転送する学習技術である。
本研究では,ロバストドメイン適応のための2段階トレーニングステージを提案する。
本稿では,ラベルのないターゲットデータを有効利用して擬似ラベルと擬似境界を生成する,ロバストな擬似ラベルと擬似境界(PLPB)手法を提案する。
論文 参考訳（メタデータ） (2023-10-25T14:25:18Z) - UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain
Adaptation for Medical Image Segmentation [21.583847757015157]
医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。
具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。
また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
論文 参考訳（メタデータ） (2023-09-19T01:52:37Z) - 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) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - ProSFDA: Prompt Learning based Source-free Domain Adaptation for Medical
Image Segmentation [21.079667938055668]
医用画像分割のためのtextbfProSFDA (textbfProSFDA) 法を提案する。
以上の結果から,提案したProSFDA法は,他のSFDA法よりも優れており,UDA法と同等であることが明らかとなった。
論文 参考訳（メタデータ） (2022-11-21T14:57:04Z) - Cluster-level pseudo-labelling for source-free cross-domain facial
expression recognition [94.56304526014875]
表情認識のためのSFUDA法を提案する。
本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。
提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
論文 参考訳（メタデータ） (2022-10-11T08:24:50Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
ソースフリー領域適応画像分割のための2段階のアプローチを提案する。
我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。
第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
論文 参考訳（メタデータ） (2022-03-29T17:50:22Z) - Source Data-absent Unsupervised Domain Adaptation through Hypothesis
Transfer and Labeling Transfer [137.36099660616975]
Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。
既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。
本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
論文 参考訳（メタデータ） (2020-12-14T07:28:50Z)
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。