論文の概要: Few-Shot Domain Adaptive Object Detection for Microscopic Images
- arxiv url: http://arxiv.org/abs/2407.07633v1
- Date: Wed, 10 Jul 2024 13:11:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-11 16:32:05.851474
- Title: Few-Shot Domain Adaptive Object Detection for Microscopic Images
- Title(参考訳): 微視的画像に対するFew-Shot Domain Adaptive Object Detection
- Authors: Sumayya Inayat, Nimra Dilawar, Waqas Sultani, Mohsen Ali,
- Abstract要約: Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。
医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。
私たちのコントリビューションには、少数ショットシナリオのためのドメイン適応型クラスバランス戦略、複数レイヤのインスタンスレベル間およびドメイン内アライメント、インスタンスレベルの分類損失が含まれています。
- 参考スコア(独自算出の注目度): 7.993453987882035
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In recent years, numerous domain adaptive strategies have been proposed to help deep learning models overcome the challenges posed by domain shift. However, even unsupervised domain adaptive strategies still require a large amount of target data. Medical imaging datasets are often characterized by class imbalance and scarcity of labeled and unlabeled data. Few-shot domain adaptive object detection (FSDAOD) addresses the challenge of adapting object detectors to target domains with limited labeled data. Existing works struggle with randomly selected target domain images that may not accurately represent the real population, resulting in overfitting to small validation sets and poor generalization to larger test sets. Medical datasets exhibit high class imbalance and background similarity, leading to increased false positives and lower mean Average Precision (map) in target domains. To overcome these challenges, we propose a novel FSDAOD strategy for microscopic imaging. Our contributions include a domain adaptive class balancing strategy for few-shot scenarios, multi-layer instance-level inter and intra-domain alignment to enhance similarity between class instances regardless of domain, and an instance-level classification loss applied in the middle layers of the object detector to enforce feature retention necessary for correct classification across domains. Extensive experimental results with competitive baselines demonstrate the effectiveness of our approach, achieving state-of-the-art results on two public microscopic datasets. Code available at https://github.co/intelligentMachinesLab/few-shot-domain-adaptive-microscopy
- Abstract(参考訳): 近年、ディープラーニングモデルがドメインシフトによって引き起こされる課題を克服するために、多くのドメイン適応戦略が提案されている。
しかし、教師なしのドメイン適応戦略でさえ、大量のターゲットデータを必要とする。
医用画像データセットは、しばしば分類の不均衡とラベル付きおよびラベルなしデータの不足によって特徴づけられる。
Few-shot Domain Adaptive Object Detection (FSDAOD) は、限られたラベル付きデータを持つターゲットドメインにオブジェクト検出器を適用するという課題に対処する。
既存の作業は、実際の人口を正確に表現しないようなランダムに選択されたターゲット領域のイメージに苦慮し、その結果、小さな検証セットに過度に適合し、より大きなテストセットに過度に一般化する。
医学データセットは、高いクラス不均衡と背景類似性を示し、偽陽性が増加し、ターゲットドメインの平均精度(マップ)が低下する。
これらの課題を克服するために,顕微鏡イメージングのための新しいFSDAOD戦略を提案する。
私たちのコントリビューションには、少数ショットシナリオに対するドメイン適応型クラスバランス戦略、ドメインに関わらずクラスインスタンス間の類似性を高めるための多層インスタンスレベル間およびドメイン内アライメント、ドメイン間の正しい分類に必要な機能保持を強制するオブジェクト検出器の中層層に適用されるインスタンスレベルの分類損失が含まれる。
競争ベースラインを用いた大規模な実験結果から,2つの公開顕微鏡データセットによる最先端の成果が得られ,本手法の有効性が示された。
https://github.co/intelligentMachinesLab/few-shot-domain-adaptive-microscopyで公開されているコード
関連論文リスト
- Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。
本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
論文 参考訳(メタデータ) (2023-09-03T16:02:01Z) - Unsupervised Domain Adaptation for Anatomical Landmark Detection [5.070344284426738]
非教師なし領域適応(UDA)の設定下での解剖学的ランドマーク検出のための新しい枠組みを提案する。
このフレームワークは、自己学習とドメインの敵対的学習を活用して、適応中のドメインギャップに対処する。
脳波および肺のランドマーク検出実験は,領域間隙を広いマージンで低減し,他のUDA法より一貫して優れる手法の有効性を示した。
論文 参考訳(メタデータ) (2023-08-25T10:22:13Z) - 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) - Cluster-Guided Semi-Supervised Domain Adaptation for Imbalanced Medical
Image Classification [10.92984910426756]
我々は,クラス不均衡な状況に頑健な半教師付きドメイン適応手法を開発した。
高純度クラスタを得るために,ロバストなクラスタリングパイプラインを提案する。
提案手法は, 高度にクラス不均衡な画像パッチを用いた実験において, 最先端の性能を示した。
論文 参考訳(メタデータ) (2023-03-02T14:07:36Z) - 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) - Cross-Domain Adaptive Clustering for Semi-Supervised Domain Adaptation [85.6961770631173]
半監視されたドメイン適応では、残りのターゲットサンプルのターゲットドメインガイド機能内のクラスごとのいくつかのラベル付きサンプルが、その周辺に集約される。
この問題に対処するために,クロスドメイン適応クラスタリングという新しいアプローチを提案する。
論文 参考訳(メタデータ) (2021-04-19T16:07:32Z) - A Review of Single-Source Deep Unsupervised Visual Domain Adaptation [81.07994783143533]
大規模ラベル付きトレーニングデータセットにより、ディープニューラルネットワークは、幅広いベンチマークビジョンタスクを拡張できるようになった。
多くのアプリケーションにおいて、大量のラベル付きデータを取得するのは非常に高価で時間を要する。
限られたラベル付きトレーニングデータに対処するため、大規模ラベル付きソースドメインでトレーニングされたモデルを、疎ラベルまたは未ラベルのターゲットドメインに直接適用しようと試みている人も多い。
論文 参考訳(メタデータ) (2020-09-01T00:06:50Z) - Exploring Categorical Regularization for Domain Adaptive Object
Detection [27.348272177261233]
ドメイン適応オブジェクト検出のための分類規則化フレームワークを提案する。
一連のAdaptive Domain Faster R-CNNメソッドのプラグイン・アンド・プレイコンポーネントとして適用することができる。
提案手法は、元のDomain Adaptive Faster R-CNN検出器よりも優れた性能を得る。
論文 参考訳(メタデータ) (2020-03-20T08:53:10Z) - Towards Fair Cross-Domain Adaptation via Generative Learning [50.76694500782927]
ドメイン適応(DA)は、よくラベル付けされたソースドメイン上でトレーニングされたモデルを、異なる分散に横たわる未ラベルのターゲットドメインに適応することを目的としています。
本研究では,新規な生成的Few-shot Cross-Domain Adaptation (GFCA) アルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-03-04T23:25:09Z) - Unsupervised Domain Adaptive Object Detection using Forward-Backward
Cyclic Adaptation [13.163271874039191]
本稿では,フォワード・バック・サイクリック(FBC)トレーニングによる物体検出のための教師なし領域適応手法を提案する。
近年, 対角訓練に基づく領域適応法は, 限界特徴分布アライメントによる領域差最小化に有効であることが示された。
本稿では,後方ホッピングによるソースからターゲットへの適応と,前方通過によるターゲットからソースへの適応を反復的に計算するフォワード・バック・サイクル適応を提案する。
論文 参考訳(メタデータ) (2020-02-03T06:24:58Z)
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。