論文の概要: Source-Free Domain Adaptive Fundus Image Segmentation with Class-Balanced Mean Teacher

• arxiv url: http://arxiv.org/abs/2307.09973v1
• Date: Fri, 14 Jul 2023 09:26:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-23 11:49:21.693075
• Title: Source-Free Domain Adaptive Fundus Image Segmentation with Class-Balanced Mean Teacher
• Title（参考訳）: クラスバランス平均教師によるソースフリードメイン適応眼底画像セグメンテーション
• Authors: Longxiang Tang, Kai Li, Chunming He, Yulun Zhang, Xiu Li
• Abstract要約: 本稿では,ソースフリー領域適応型基底画像分割法について検討する。 未ラベル画像を用いて,事前訓練した基底分割モデルを対象領域に適応することを目的としている。
• 参考スコア（独自算出の注目度）: 37.72463382440212
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies source-free domain adaptive fundus image segmentation which aims to adapt a pretrained fundus segmentation model to a target domain using unlabeled images. This is a challenging task because it is highly risky to adapt a model only using unlabeled data. Most existing methods tackle this task mainly by designing techniques to carefully generate pseudo labels from the model's predictions and use the pseudo labels to train the model. While often obtaining positive adaption effects, these methods suffer from two major issues. First, they tend to be fairly unstable - incorrect pseudo labels abruptly emerged may cause a catastrophic impact on the model. Second, they fail to consider the severe class imbalance of fundus images where the foreground (e.g., cup) region is usually very small. This paper aims to address these two issues by proposing the Class-Balanced Mean Teacher (CBMT) model. CBMT addresses the unstable issue by proposing a weak-strong augmented mean teacher learning scheme where only the teacher model generates pseudo labels from weakly augmented images to train a student model that takes strongly augmented images as input. The teacher is updated as the moving average of the instantly trained student, which could be noisy. This prevents the teacher model from being abruptly impacted by incorrect pseudo-labels. For the class imbalance issue, CBMT proposes a novel loss calibration approach to highlight foreground classes according to global statistics. Experiments show that CBMT well addresses these two issues and outperforms existing methods on multiple benchmarks.
• Abstract（参考訳）: 本稿では,未ラベル画像を用いて,事前学習した眼底セグメンテーションモデルを対象領域に適用することを目的とした,ソースフリー領域適応眼底画像セグメンテーションについて検討する。 ラベルのないデータのみを使用してモデルを適用することは極めてリスクが高いため、これは難しい作業です。 既存のほとんどの手法は、主にモデルの予測から疑似ラベルを慎重に生成し、擬似ラベルを使用してモデルを訓練するテクニックを設計することで、この課題に取り組む。 しばしば正の適応効果を得るが、これらの方法には2つの大きな問題がある。 まず、それらはかなり不安定な傾向があり、不正確な擬似ラベルが突然出現すると、モデルに壊滅的な影響を及ぼす可能性がある。 第二に、フォアグラウンド(例えばカップ)領域が通常非常に小さいような、基底画像の厳しい階級的不均衡を考慮できない。 本稿では,クラスバランス平均教師(cbmt)モデルを提案することで,この2つの課題を解決することを目的とする。 CBMTは、教師モデルのみが弱強化画像から擬似ラベルを生成して、強強化画像を入力として取り込む学生モデルを訓練する弱強化平均教師学習方式を提案することにより、不安定な問題に対処する。 教師はすぐに訓練された生徒の移動平均として更新され、騒がしい可能性がある。 これにより、教師モデルが誤って疑似ラベルに影響を受けることを防ぎます。 クラス不均衡問題に対して,CBMTは,グローバル統計に基づいて前景クラスをハイライトする新たな損失校正手法を提案する。 CBMTはこれらの2つの問題にうまく対処し、複数のベンチマークで既存の手法より優れていることを示す実験である。

関連論文リスト

• Focus on Your Target: A Dual Teacher-Student Framework for Domain-adaptive Semantic Segmentation [210.46684938698485]
  意味的セグメンテーションのための教師なしドメイン適応(UDA)について検討する。 対象領域からのトレーニングサンプルの割合を減少・増加させることで,「学習能力」が強化・弱まることがわかった。 本稿では,DTS(Double teacher-student)フレームワークを提案し,双方向学習戦略を取り入れた。
  論文  参考訳（メタデータ） (2023-03-16T05:04:10Z)
• Adapting the Mean Teacher for keypoint-based lung registration under geometric domain shifts [75.51482952586773]
  ディープニューラルネットワークは一般的に、ラベル付きトレーニングデータが多く必要であり、トレーニングデータとテストデータの間のドメインシフトに弱い。 本稿では,ラベル付きソースからラベル付きターゲットドメインへのモデルの適用により,画像登録のための幾何学的領域適応手法を提案する。 本手法は,ベースラインモデルの精度を目標データに適合させながら,ベースラインモデルの50%/47%を継続的に改善する。
  論文  参考訳（メタデータ） (2022-07-01T12:16:42Z)
• Barely-Supervised Learning: Semi-Supervised Learning with very few labeled images [16.905389887406894]
  我々は、画像の弱い拡張バージョンに依存して監視信号を得る、最先端の半教師方式 FixMatch の振舞いを深く分析する。 疑似ラベルを高い信頼性で予測できない場合、トレーニング信号の欠如により、ほとんど監督されていないシナリオで頻繁に失敗することを示す。 本研究では,自信ある擬似ラベルが存在しない状態でのトレーニング信号を提供する自己教師型手法を活用する手法を提案する。
  論文  参考訳（メタデータ） (2021-12-22T16:29:10Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)
• Background Splitting: Finding Rare Classes in a Sea of Background [55.03789745276442]
  我々は,少数の稀なカテゴリの画像分類のための,高精度な深層モデルの訓練という現実的な問題に焦点をあてる。 これらのシナリオでは、ほとんどの画像はデータセットの背景カテゴリに属します(データセットの95%は背景です)。 非バランスなデータセットをトレーニングするための標準的な微調整アプローチと最先端アプローチの両方が、この極端な不均衡の存在下で正確な深層モデルを生成していないことを実証する。
  論文  参考訳（メタデータ） (2020-08-28T23:05:15Z)
• Temporal Self-Ensembling Teacher for Semi-Supervised Object Detection [9.64328205496046]
  本稿では,半教師付き物体検出(SSOD)に焦点を当てる。 教師モデルは教師と学生の二重の役割を担っている。 SSODの授業不均衡問題は、教師から生徒への効果的な知識伝達を妨げる。
  論文  参考訳（メタデータ） (2020-07-13T01:17:25Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)
• Extreme Consistency: Overcoming Annotation Scarcity and Domain Shifts [2.707399740070757]
  教師付き学習は医用画像解析に有効であることが証明された。 これは小さなラベル付きデータのみを利用することができる。 医療画像データセットでよく見られる大量のラベルのないデータを活用するのに失敗する。
  論文  参考訳（メタデータ） (2020-04-15T15:32:01Z)
• Continual Local Replacement for Few-shot Learning [13.956960291580938]
  少数ショット学習の目標は,1つないし少数のトレーニングデータに基づいて,新しいクラスを認識可能なモデルを学習することにある。 1)新しいクラスの優れた特徴表現が欠けていること、(2)ラベル付きデータの一部が真のデータ分布を正確に表現できないこと、である。 データ不足問題に対処するために,新たな局所的置換戦略を提案する。
  論文  参考訳（メタデータ） (2020-01-23T04:26:21Z)

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。