論文の概要: Advancing Cross-Organ Domain Generalization with Test-Time Style Transfer and Diversity Enhancement

• arxiv url: http://arxiv.org/abs/2503.18567v1
• Date: Mon, 24 Mar 2025 11:22:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:35:48.021270
• Title: Advancing Cross-Organ Domain Generalization with Test-Time Style Transfer and Diversity Enhancement
• Title（参考訳）: テスト時間スタイルの転送と多様性向上によるクロスオーガンドメインの一般化の促進
• Authors: Biwen Meng, Xi Long, Wanrong Yang, Ruochen Liu, Yi Tian, Yalin Zheng, Jingxin Liu,
• Abstract要約: 本稿では、双方向マッピング機構を用いて、ソースとターゲットドメインの特徴を統一された特徴空間に投影するテスト時スタイル転送(T3s)を提案する。 スタイル表現空間をさらに拡大するために、クロスドメインスタイルの多様化モジュールを導入する。 提案手法は,3つの未知のデータセットに対して有効性を示した。
• 参考スコア（独自算出の注目度）: 15.154556569127116
• License:
• Abstract: Deep learning has made significant progress in addressing challenges in various fields including computational pathology (CPath). However, due to the complexity of the domain shift problem, the performance of existing models will degrade, especially when it comes to multi-domain or cross-domain tasks. In this paper, we propose a Test-time style transfer (T3s) that uses a bidirectional mapping mechanism to project the features of the source and target domains into a unified feature space, enhancing the generalization ability of the model. To further increase the style expression space, we introduce a Cross-domain style diversification module (CSDM) to ensure the orthogonality between style bases. In addition, data augmentation and low-rank adaptation techniques are used to improve feature alignment and sensitivity, enabling the model to adapt to multi-domain inputs effectively. Our method has demonstrated effectiveness on three unseen datasets.
• Abstract（参考訳）: 深層学習は、計算病理学(CPath)を含む様々な分野の課題に対処する上で大きな進歩を遂げてきた。 しかし、ドメインシフトの問題の複雑さのため、既存のモデルの性能は、特にマルチドメインやクロスドメインタスクでは低下する。 本稿では、双方向マッピング機構を用いて、ソースとターゲットドメインの特徴を統一された特徴空間に投影し、モデルの一般化能力を向上するテスト時スタイル転送(T3s)を提案する。 スタイル表現空間をさらに拡大するために、スタイルベース間の直交性を保証するクロスドメインスタイル多様化モジュール(CSDM)を導入する。 さらに、データ拡張と低ランク適応技術を用いて特徴アライメントと感度を改善し、モデルがマルチドメイン入力に効果的に適応できるようにする。 提案手法は,3つの未知のデータセットに対して有効性を示した。

関連論文リスト

• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• Cross-Domain Feature Augmentation for Domain Generalization [16.174824932970004]
  本稿では,XDomainMix というクロスドメイン機能拡張手法を提案する。 広範に使用されているベンチマークデータセットの実験により,提案手法が最先端の性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2024-05-14T13:24:19Z)
• MetaDefa: Meta-learning based on Domain Enhancement and Feature Alignment for Single Domain Generalization [12.095382249996032]
  モデル一般化性能を改善するために,ドメイン拡張と特徴アライメント(MetaDefa)に基づくメタラーニング手法を提案する。 本稿では、ソース領域と拡張領域の機能空間間の類似のターゲット領域に着目し、ドメイン不変性について検討する。 公開された2つのデータセットに対する大規模な実験により、MetaDefaは未知の複数のターゲットドメインにおいて、大きな一般化パフォーマンスのアドバンテージを持つことが示された。
  論文  参考訳（メタデータ） (2023-11-27T15:13:02Z)
• Exploiting Style Transfer-based Task Augmentation for Cross-Domain Few-Shot Learning [4.678020383205135]
  ドメイン間の数ショット学習では、ソースドメインでトレーニングされたモデルは、ターゲットドメインへの一般化に苦労する。 本稿では,TAML(Task Augmented Meta-Learning)を提案する。 提案したTAMLは、トレーニングタスクのスタイルの多様性を高め、ドメインの一般化能力を向上したモデルのトレーニングに寄与する。
  論文  参考訳（メタデータ） (2023-01-19T07:32:23Z)
• DA-CIL: Towards Domain Adaptive Class-Incremental 3D Object Detection [2.207918236777924]
  本稿では,新しい3次元ドメイン適応型クラスインクリメンタルオブジェクト検出フレームワークDA-CILを提案する。 トレーニング分布を多様化する複数の拡張ドメインを構築するために、新しいデュアルドメインコピーペースト拡張法を設計する。 各種データセットを用いた実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2022-12-05T06:45:27Z)
• Style Interleaved Learning for Generalizable Person Re-identification [69.03539634477637]
  DG ReIDトレーニングのための新しいスタイルインターリーブラーニング(IL)フレームワークを提案する。 従来の学習戦略とは異なり、ILには2つの前方伝播と1つの後方伝播が組み込まれている。 我々のモデルはDG ReIDの大規模ベンチマークにおいて最先端の手法を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2022-07-07T07:41:32Z)
• TAL: Two-stream Adaptive Learning for Generalizable Person Re-identification [115.31432027711202]
  我々は、ドメイン固有性とドメイン不変性の両方が、re-idモデルの一般化能力の向上に不可欠であると主張する。 これら2種類の情報を同時にモデル化するために,2ストリーム適応学習 (TAL) を命名した。 我々のフレームワークは、単一ソースとマルチソースの両方のドメイン一般化タスクに適用できる。
  論文  参考訳（メタデータ） (2021-11-29T01:27:42Z)
• 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)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Domain Conditioned Adaptation Network [90.63261870610211]
  本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。 これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
  論文  参考訳（メタデータ） (2020-05-14T04:23:24Z)

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。