論文の概要: Multi-source-free Domain Adaptation via Uncertainty-aware Adaptive
Distillation
- arxiv url: http://arxiv.org/abs/2402.06213v1
- Date: Fri, 9 Feb 2024 06:48:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-12 17:56:02.917829
- Title: Multi-source-free Domain Adaptation via Uncertainty-aware Adaptive
Distillation
- Title(参考訳): 不確実性認識型適応蒸留によるマルチソースフリードメイン適応
- Authors: Yaxuan Song, Jianan Fan, Dongnan Liu, Weidong Cai
- Abstract要約: ソースフリードメイン適応(SFDA)は、データプライバシの認識のためにデータにアクセスすることなく、ドメインから取得したデータ間のドメインの不一致を軽減する。
マルチソースフリーな非教師付きドメイン適応設定のための不確実性認識適応蒸留(UAD)を提案する。
- 参考スコア(独自算出の注目度): 8.791916654073088
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Source-free domain adaptation (SFDA) alleviates the domain discrepancy among
data obtained from domains without accessing the data for the awareness of data
privacy. However, existing conventional SFDA methods face inherent limitations
in medical contexts, where medical data are typically collected from multiple
institutions using various equipment. To address this problem, we propose a
simple yet effective method, named Uncertainty-aware Adaptive Distillation
(UAD) for the multi-source-free unsupervised domain adaptation (MSFDA) setting.
UAD aims to perform well-calibrated knowledge distillation from (i) model level
to deliver coordinated and reliable base model initialisation and (ii) instance
level via model adaptation guided by high-quality pseudo-labels, thereby
obtaining a high-performance target domain model. To verify its general
applicability, we evaluate UAD on two image-based diagnosis benchmarks among
two multi-centre datasets, where our method shows a significant performance
gain compared with existing works. The code will be available soon.
- Abstract(参考訳): ソースフリードメイン適応(SFDA)は、データプライバシの認識のためにデータにアクセスすることなく、ドメインから取得したデータ間のドメインの不一致を軽減する。
しかし、従来のSFDA法では、医療データは通常、様々な機器を使用して複数の機関から収集される医学的文脈に固有の制限に直面している。
そこで本研究では,多元非教師なし領域適応 (msfda) 設定のための簡易かつ効果的な不確かさ対応蒸留法 (uad) を提案する。
UADは高度に校正された知識蒸留を目指して
一 調整及び信頼性の高いベースモデル初期化を提供するためのモデルレベル
(ii)高品質な擬似ラベルを導いたモデル適応によるインスタンスレベルにより、高性能なターゲットドメインモデルを得る。
汎用的適用性を検証するため,本手法は既存手法と比較して有意な性能向上を示すマルチセンタデータセットのうち,2つの画像ベース診断ベンチマークでuadを評価する。
コードはもうすぐ入手できる。
関連論文リスト
- Subject-Based Domain Adaptation for Facial Expression Recognition [49.87577140337738]
ディープ・ラーニング(DL)モデルを特定の対象個人に適用することは、表情認識(FER)における課題である。
FERにおける主観的ドメイン適応のための新しいMSDA手法を提案する。
複数の情報源からの情報を効率的に利用して、ディープFERモデルを単一のターゲット個人に適応させる。
論文 参考訳(メタデータ) (2023-12-09T18:40:37Z) - Weighted Joint Maximum Mean Discrepancy Enabled
Multi-Source-Multi-Target Unsupervised Domain Adaptation Fault Diagnosis [15.56929064706769]
We propose a weighted joint maximum mean discrepancy able multi-source-multi-target unsupervised domain adaptation (WJMMD-MDA)。
提案手法は,複数のラベル付きソースドメインから十分な情報を抽出し,ソースドメインとターゲットドメイン間のドメインアライメントを実現する。
提案手法の性能を3つのデータセットの総合的な比較実験で評価した。
論文 参考訳(メタデータ) (2023-10-20T16:53:31Z) - 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) - LE-UDA: Label-efficient unsupervised domain adaptation for medical image
segmentation [24.655779957716558]
ラベル有効非教師付きドメイン適応(LE-UDA)と呼ばれる新規で汎用的なフレームワークを提案する。
LE-UDAでは、両ドメイン間の知識伝達のための自己認識一貫性と、UDAの機能アライメントを向上するために自己認識学習モジュールを構築している。
実験結果から,提案するLE-UDAは,限られたソースラベルを有効活用し,ドメイン間セグメンテーション性能を向上し,文献における最先端のUDAアプローチより優れていることが示された。
論文 参考訳(メタデータ) (2022-12-05T07:47:35Z) - Source-Free Domain Adaptation via Distribution Estimation [106.48277721860036]
ドメイン適応は、ラベル付きソースドメインから学んだ知識を、データ分散が異なるラベル付きターゲットドメインに転送することを目的としています。
近年,ソースフリードメイン適応 (Source-Free Domain Adaptation, SFDA) が注目されている。
本研究では,SFDA-DEと呼ばれる新しいフレームワークを提案し,ソース分布推定によるSFDAタスクに対処する。
論文 参考訳(メタデータ) (2022-04-24T12:22:19Z) - UMAD: Universal Model Adaptation under Domain and Category Shift [138.12678159620248]
Universal Model Adaptation (UMAD)フレームワークは、ソースデータにアクセスせずに両方のUDAシナリオを処理する。
未知のサンプルと未知のサンプルを識別するのに役立つ情報整合性スコアを開発した。
オープンセットおよびオープンパーティルセット UDA シナリオの実験では、UMAD が最先端のデータ依存手法に匹敵する性能を示した。
論文 参考訳(メタデータ) (2021-12-16T01:22:59Z) - Unsupervised Multi-Source Domain Adaptation for Person Re-Identification [39.817734080890695]
unsupervised domain adaptation (uda) method for person re-idification (re-id) ラベル付きソースデータからラベル付きターゲットデータへの再id知識の転送を目的としている。
マルチソースの概念を UDA person re-ID フィールドに導入し、トレーニング中に複数のソースデータセットを使用する。
提案手法は,最先端のuda person re-idメソッドを高いマージンで上回り,後処理手法を使わずに教師付きアプローチに匹敵する性能を実現する。
論文 参考訳(メタデータ) (2021-04-27T03:33:35Z) - Towards Inheritable Models for Open-Set Domain Adaptation [56.930641754944915]
本稿では、将来、ソースデータセットが存在しない場合の適応を容易にするために、ソース学習モデルを用いた実用的なドメイン適応パラダイムを提案する。
本稿では,ソースデータがない場合でも,対象領域に対して最適なソースモデルの選択を可能にするために,継承可能性の定量化を目的とする手法を提案する。
論文 参考訳(メタデータ) (2020-04-09T07:16:30Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳(メタデータ) (2020-02-20T03:13:58Z)
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。