論文の概要: MIAdapt: Source-free Few-shot Domain Adaptive Object Detection for Microscopic Images

• arxiv url: http://arxiv.org/abs/2503.03370v1
• Date: Wed, 05 Mar 2025 10:46:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-06 15:52:05.672007
• Title: MIAdapt: Source-free Few-shot Domain Adaptive Object Detection for Microscopic Images
• Title（参考訳）: MIAdapt:顕微鏡画像のソースフリーなFew-shot領域適応物体検出
• Authors: Nimra Dilawar, Sara Nadeem, Javed Iqbal, Waqas Sultani, Mohsen Ali,
• Abstract要約: 既存の汎用的な教師なしドメイン適応アプローチでは、適応中に大きなラベル付きソースデータセットと十分なラベル付きターゲットデータセットにアクセスする必要がある。 ソースフリーなFew-shot Domain Adaptive Object検出のためのソリューションとして,MIAdaptを提案する。
• 参考スコア（独自算出の注目度）: 7.880116600828319
• License:
• Abstract: Existing generic unsupervised domain adaptation approaches require access to both a large labeled source dataset and a sufficient unlabeled target dataset during adaptation. However, collecting a large dataset, even if unlabeled, is a challenging and expensive endeavor, especially in medical imaging. In addition, constraints such as privacy issues can result in cases where source data is unavailable. Taking in consideration these challenges, we propose MIAdapt, an adaptive approach for Microscopic Imagery Adaptation as a solution for Source-free Few-shot Domain Adaptive Object detection (SF-FSDA). We also define two competitive baselines (1) Faster-FreeShot and (2) MT-FreeShot. Extensive experiments on the challenging M5-Malaria and Raabin-WBC datasets validate the effectiveness of MIAdapt. Without using any image from the source domain MIAdapt surpasses state-of-the-art source-free UDA (SF-UDA) methods by +21.3% mAP and few-shot domain adaptation (FSDA) approaches by +4.7% mAP on Raabin-WBC. Our code and models will be publicly available.
• Abstract（参考訳）: 既存の汎用的な教師なしドメイン適応アプローチでは、適応中に大きなラベル付きソースデータセットと十分なラベルなしターゲットデータセットの両方にアクセスする必要がある。 しかし、大規模なデータセットの収集は、たとえラベルが付されていなくても、特に医用画像において、困難で高価な取り組みである。 さらに、プライバシの問題のような制約は、ソースデータが利用できない場合に生じる可能性がある。 これらの課題を考慮したMIAdaptは,Few-shot Domain Adaptive Object Detection (SF-FSDA) のソリューションとして,マイクロスコープ画像適応のための適応的アプローチである。 また,Faster-FreeShot と MT-FreeShot の2つの競合ベースラインを定義した。 挑戦的なM5-MalariaとRaabin-WBCデータセットに関する大規模な実験は、MIAdaptの有効性を検証する。 MIAdapt はソースドメインからのイメージを一切使用せずに、最先端のソースフリー UDA (SF-UDA) メソッドを +21.3% mAP で、FSDA アプローチを +4.7% mAP で、Raabin-WBC で +4.7% mAP で上回る。 私たちのコードとモデルは公開されます。

関連論文リスト

• Bridge then Begin Anew: Generating Target-relevant Intermediate Model for Source-free Visual Emotion Adaptation [22.638915084704344]
  視覚的感情認識(VER)は、人間の異なる視覚刺激に対する感情反応を理解することを目的としている。 ドメイン適応は、ラベル付きソースデータでトレーニングされたモデルをラベルなしターゲットデータに適応させることによって、代替ソリューションを提供する。 プライバシー上の懸念から、ソースの感情的なデータはアクセスできない可能性がある。 本稿では、ドメインブリッジモデル生成(DMG)とターゲットモデル適応(TMA)の2つのステップからなる新しいフレームワークであるBridge then Begin Anew(BBA)を提案する。
  論文  参考訳（メタデータ） (2024-12-18T07:51:35Z)
• MV-Match: Multi-View Matching for Domain-Adaptive Identification of Plant Nutrient Deficiencies [11.431120670501405]
  栄養不足の早期、非侵襲的、オンサイト検出は、栄養不足による作物の大きな損失を防ぐためのタイムリーな行動を可能にするために重要である。 教師なし領域適応のために,ソース領域とターゲット領域における複数のカメラビューを活用する手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T02:33:44Z)
• Multi-source-free Domain Adaptation via Uncertainty-aware Adaptive Distillation [8.791916654073088]
  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。
  論文  参考訳（メタデータ） (2024-02-09T06:48:04Z)
• Subject-Based Domain Adaptation for Facial Expression Recognition [51.10374151948157]
  ディープラーニングモデルを特定の対象個人に適用することは、難しい表情認識タスクである。 本稿では、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)
• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• 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)
• AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
  クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。 提案手法は,複数のベンチマーク上での最先端性能を実現する。
  論文  参考訳（メタデータ） (2022-09-22T10:23:40Z)
• Source-Free Unsupervised Domain Adaptation with Norm and Shape Constraints for Medical Image Segmentation [0.12183405753834559]
  医用画像セグメンテーションのための非教師なし領域適応法(SFUDA)を提案する。 エントロピー最小化法に加えて、ターゲット領域における特徴ノルムを回避する損失関数を導入する。 提案手法は,すべてのデータセットにおいて最先端の手法より優れている。
  論文  参考訳（メタデータ） (2022-09-03T00:16:39Z)
• 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)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Target-Independent Domain Adaptation for WBC Classification using Generative Latent Search [20.199195698983715]
  教師なしドメイン適応 (Unsupervised Domain Adaptation, UDA) 技術は、十分な量の不正なターゲットデータの存在を前提としている。 本稿では,対象データを必要としないUDAの手法を提案する。 情報源分布から無限個のデータポイントをサンプリングできることから,そのようなクローンの存在を証明した。
  論文  参考訳（メタデータ） (2020-05-11T20:58:23Z)

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。