論文の概要: Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation

• arxiv url: http://arxiv.org/abs/2308.07731v1
• Date: Tue, 15 Aug 2023 12:11:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-16 13:01:06.183240
• Title: Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation
• Title（参考訳）: ソースフリー領域適応基底画像分割のための文脈対応擬似ラベル再構成
• Authors: Zheang Huai, Xinpeng Ding, Yi Li, and Xiaomeng Li
• Abstract要約: Source-free unsupervised domain adaptation (SF-UDA) は、ソース側で訓練されたモデルを適用して、ターゲットの分布をソースモデルと未ラベルのターゲットデータのみと整合させることを目的としている。 SF-UDAのための文脈認識型擬似ラベル改善手法を提案する。 クロスドメイン・ファンドス・イメージの実験から,我々のアプローチが最先端の結果をもたらすことが示唆された。
• 参考スコア（独自算出の注目度）: 15.175385504917125
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In the domain adaptation problem, source data may be unavailable to the target client side due to privacy or intellectual property issues. Source-free unsupervised domain adaptation (SF-UDA) aims at adapting a model trained on the source side to align the target distribution with only the source model and unlabeled target data. The source model usually produces noisy and context-inconsistent pseudo-labels on the target domain, i.e., neighbouring regions that have a similar visual appearance are annotated with different pseudo-labels. This observation motivates us to refine pseudo-labels with context relations. Another observation is that features of the same class tend to form a cluster despite the domain gap, which implies context relations can be readily calculated from feature distances. To this end, we propose a context-aware pseudo-label refinement method for SF-UDA. Specifically, a context-similarity learning module is developed to learn context relations. Next, pseudo-label revision is designed utilizing the learned context relations. Further, we propose calibrating the revised pseudo-labels to compensate for wrong revision caused by inaccurate context relations. Additionally, we adopt a pixel-level and class-level denoising scheme to select reliable pseudo-labels for domain adaptation. Experiments on cross-domain fundus images indicate that our approach yields the state-of-the-art results. Code is available at https://github.com/xmed-lab/CPR.
• Abstract（参考訳）: ドメイン適応問題では、プライバシーや知的財産の問題により、ソースデータはターゲットクライアント側で利用できない可能性がある。 source-free unsupervised domain adaptation(sf-uda)は、ソース側でトレーニングされたモデルを適用し、ソースモデルとラベルなしのターゲットデータのみにターゲット分布を調整することを目的としている。 ソースモデルは通常、ターゲットドメイン、すなわち類似の視覚的な外観を持つ隣接領域に、異なる擬似ラベルを付けて、ノイズとコンテキストに一貫性のない擬似ラベルを生成する。 この観察は、文脈関係を持つ擬似ラベルを洗練する動機付けとなる。 別の観察では、同じクラスの特徴はドメインギャップにもかかわらずクラスタを形成する傾向にあり、それは特徴距離からコンテキスト関係を簡単に計算できることを意味する。 そこで本稿では,SF-UDAのための文脈認識型擬似ラベル改善手法を提案する。 具体的には、コンテキスト類似性学習モジュールを開発し、コンテキスト関係を学習する。 次に、学習した文脈関係を利用して擬似ラベルリビジョンを設計する。 さらに,不正確な文脈関係に起因する誤った修正を補うために,修正された擬似ラベルの校正を提案する。 さらに,ドメイン適応のための疑似ラベルを選択するために,画素レベルとクラスレベルの復調方式を採用する。 クロスドメイン・ファンドス画像の実験により,我々のアプローチが最先端の結果をもたらすことが示された。 コードはhttps://github.com/xmed-lab/cprで入手できる。

関連論文リスト

• De-Confusing Pseudo-Labels in Source-Free Domain Adaptation [14.954662088592762]
  ソースのないドメイン適応は、ソースデータにアクセスすることなく、未ラベルのターゲットドメインにソース訓練されたモデルを適用することを目的としている。 本稿では,ドメイン適応設定における雑音分布に対処するための新しいノイズ学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-03T10:07:11Z)
• Overcoming Label Noise for Source-free Unsupervised Video Domain Adaptation [39.71690595469969]
  自己学習に基づくソースフリーなビデオドメイン適応手法を提案する。 ソース事前学習モデルを用いて、対象ドメインサンプルの擬似ラベルを生成する。 我々は,教師の学習フレームワークを実装することにより,適応性能をさらに向上する。
  論文  参考訳（メタデータ） (2023-11-30T14:06:27Z)
• Local-Global Pseudo-label Correction for Source-free Domain Adaptive Medical Image Segmentation [5.466962214217334]
  ドメインシフトは、医療画像ソリューションで一般的に発生する問題である。 患者のプライバシと画像品質の潜在的な劣化に関する懸念は、ソースフリーなドメイン適応に焦点を合わせている。 本研究では, ソースレス領域適応型医用画像分割のためのローカル・グローバル・擬似ラベル補正法(LGDA)を提案する。
  論文  参考訳（メタデータ） (2023-08-28T05:29:59Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Semi-Supervised Domain Adaptation with Prototypical Alignment and Consistency Learning [86.6929930921905]
  本稿では,いくつかの対象サンプルがラベル付けされていれば,ドメインシフトに対処するのにどの程度役立つか検討する。 ランドマークの可能性を最大限に追求するために、ランドマークから各クラスのターゲットプロトタイプを計算するプロトタイプアライメント(PA)モジュールを組み込んでいます。 具体的には,ラベル付き画像に深刻な摂動を生じさせ,PAを非自明にし,モデル一般化性を促進する。
  論文  参考訳（メタデータ） (2021-04-19T08:46:08Z)
• Learning from Scale-Invariant Examples for Domain Adaptation in Semantic Segmentation [6.320141734801679]
  本稿では,自己教師付きドメイン適応のためのセマンティックセグメンテーションモデルのスケール不変性を利用した新しいアプローチを提案する。 我々のアルゴリズムは、一般に、オブジェクトや物のサイズに関係なく、セマンティックなラベリングは変更すべきである、という合理的な仮定に基づいている。 この制約はターゲットドメインのイメージに反し、異なるスケールのパッチ間でラベルの転送に使用できることを示す。
  論文  参考訳（メタデータ） (2020-07-28T19:40:45Z)

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。