論文の概要: Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment

• arxiv url: http://arxiv.org/abs/2509.10134v1
• Date: Fri, 12 Sep 2025 10:51:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:08.057694
• Title: Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment
• Title（参考訳）: Grad-CL: Gradient Guided Feature Disalignmentによるソースフリードメイン適応
• Abstract要約: Grad-CLは、新しいソースフリーなドメイン適応フレームワークである。 ソースデータへのアクセスを必要とせずにセグメンテーションのパフォーマンスに適応する。 最先端の教師なしおよびソースフリーなドメイン適応手法より優れています。
• 参考スコア（独自算出の注目度）: 3.2371089062298317
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Accurate segmentation of the optic disc and cup is critical for the early diagnosis and management of ocular diseases such as glaucoma. However, segmentation models trained on one dataset often suffer significant performance degradation when applied to target data acquired under different imaging protocols or conditions. To address this challenge, we propose \textbf{Grad-CL}, a novel source-free domain adaptation framework that leverages a pre-trained source model and unlabeled target data to robustly adapt segmentation performance without requiring access to the original source data. Grad-CL combines a gradient-guided pseudolabel refinement module with a cosine similarity-based contrastive learning strategy. In the first stage, salient class-specific features are extracted via a gradient-based mechanism, enabling more accurate uncertainty quantification and robust prototype estimation for refining noisy pseudolabels. In the second stage, a contrastive loss based on cosine similarity is employed to explicitly enforce inter-class separability between the gradient-informed features of the optic cup and disc. Extensive experiments on challenging cross-domain fundus imaging datasets demonstrate that Grad-CL outperforms state-of-the-art unsupervised and source-free domain adaptation methods, achieving superior segmentation accuracy and improved boundary delineation. Project and code are available at https://visdomlab.github.io/GCL/.
• Abstract（参考訳）: 緑内障などの眼疾患の早期診断と管理には,視神経円板とカップの正確なセグメンテーションが重要である。 しかしながら、あるデータセットでトレーニングされたセグメンテーションモデルは、異なるイメージングプロトコルや条件下で取得されたターゲットデータに適用した場合、大きなパフォーマンス劣化を被ることが多い。 この課題に対処するために、未学習のソースモデルと未ラベルのターゲットデータを活用する新しいソースフリーなドメイン適応フレームワークである \textbf{Grad-CL} を提案し、ソースデータへのアクセスを必要とせずにセグメンテーション性能を堅牢に適応させる。 Grad-CLは、勾配誘導された擬似ラベル改善モジュールと、コサイン類似性に基づくコントラスト学習戦略を組み合わせる。 第1段階では、勾配に基づくメカニズムにより、より正確な不確実性定量化と、ノイズのある擬似ラベルを精製するための頑健なプロトタイプ推定を可能にする。 第2段階では、コサイン類似性に基づくコントラスト損失を用いて、光学カップとディスクの勾配インフォームド特徴間のクラス間分離性を明示的に強制する。 クロスドメイン・ファンドス・イメージングデータセットの挑戦に関する大規模な実験により、Grad-CLは最先端の教師なしおよびソースなしのドメイン適応法より優れ、セグメンテーションの精度が向上し、バウンダリデラインが改善された。 プロジェクトとコードはhttps://visdomlab.github.io/GCL/で公開されている。

関連論文リスト

• Dual Co-Train: Cross-Dataset Ultrasound Tongue Segmentation Under Extreme Data Scarcity [7.853882738557613]
  軽量UltraUNetバックボーン上に構築した頑健な超音波舌分割のためのソースフリードメイン適応フレームワークを提案する。 提案手法は, 疑似ラベルを反復的に精製し, 信頼できないマスクを輪郭型品質制御モジュールでフィルタリングし, ターゲット型合成画像マスクペアを生成することにより, 完全ラベル付きターゲットドメインに適応する。 本手法は8つの超音波舌画像データセットにまたがる12個のソース・ターゲット・トランスファー・ペアについて評価し,ソース・サイズ・スケール実験とアブレーション実験を行った。
  論文  参考訳（メタデータ） (2026-08-18T16:31:08Z)
• Re-thinking Mammography Transfer Learning: The Dataset-Informed Transfer Learning (DITL) Framework for Breast Cancer Screening and Lesion Diagnosis [3.616534682321388]
  本稿では,データセット由来の難易度信号と近隣3重項監視を統合したデータセットインフォームド・トランスファー学習フレームワークを提案する。 DITLは、全乳房密度分類における最先端のパフォーマンスを達成し、精度、F1スコア、AUCを大きく改善した。 大規模な密度推定で小さな病変解析をブリッジすることにより、DITLは臨床的に関連性があり、スケーラブルで、一般化可能なマンモグラフィ分類の枠組みを確立する。
  論文  参考訳（メタデータ） (2026-07-28T17:52:36Z)
• Need We Teach Foundation Models What is a Generative Image? Gradient-Free Generative Artifact Detection via Analytic Spectral Adaptation [3.881211374324378]
  勾配ベースの更新による生成成果物の検出に基礎モデルを適用することで、本質的な表現が損なわれる。 本稿では,二分分類から外分布(OOD)異常測定問題への検出を緩和する勾配のない手法を提案する。
  論文  参考訳（メタデータ） (2026-06-03T13:04:23Z)
• Beyond Augmentation: Score-Guided Pathological Prior for EEG-based Depression Detection [7.12129270303641]
  脳波を用いた深層学習に基づく大うつ病(MDD)検出は「小脳ジレンマ」によって制限される そこで我々は,Score-Guided Classification (SGC) の新たなフレームワーク "Beyond Augmentation" を提案する。 SGCは擬似サンプルを合成せず、教師なし生成ネットワークアーキテクチャを用いてサンプルの構造的および統計的異常度をモデル化する。
  論文  参考訳（メタデータ） (2026-05-29T14:45:33Z)
• MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
  連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。 ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
  論文  参考訳（メタデータ） (2026-05-18T01:52:12Z)
• Enhancing Gradient Inversion Attacks in Federated Learning via Hierarchical Feature Optimization [56.95448807869383]
  フェデレートラーニング(FL)は、プライバシを保存する分散機械学習の魅力的なパラダイムとして登場した。 近年の研究では、FLシステムで交換される勾配もプライバシー漏洩に弱いことが報告されている。 我々は textbfGradient textbfInversion over textbfFeature textbfDomains (GIFD) を提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:32:15Z)
• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• SPEGC: Continual Test-Time Adaptation via Semantic-Prompt-Enhanced Graph Clustering for Medical Image Segmentation [12.0982298854338]
  Continual Test-Time Adaptation (CTTA)は、トレーニング済みのモデルが、ラベルなしドメインの継続的な変更に適応できるようにすることを目的としている。 医用画像セグメンテーションのためのセマンティック・プロンプト拡張グラフクラスタリング(SPEGC)によるCTTAを提案する。
  論文  参考訳（メタデータ） (2026-03-12T03:22:43Z)
• AttnRegDeepLab: A Two-Stage Decoupled Framework for Interpretable Embryo Fragmentation Grading [0.0]
  胚の断片化は、In Vitro Fertilization (IVF)における発生能を評価する上で重要な形態指標である 既存のディープラーニングソリューションは、しばしば臨床説明性に欠けたり、セグメンテーション領域の推定における累積誤差に悩まされる。 本研究では,マルチタスク学習を特徴とするフレームワークであるAttnRegDeepLabを提案する。
  論文  参考訳（メタデータ） (2025-11-23T13:50:49Z)
• Coresets from Trajectories: Selecting Data via Correlation of Loss Differences [14.31847187460321]
  損失差の相関(CLD)は、コアセット選択のためのスケーラブルな計量である。 CIFAR-100 と ImageNet-1k では、CLD ベースのコアセットは一般的に最先端の手法よりも優れ、あるいは密に一致している。
  論文  参考訳（メタデータ） (2025-08-27T19:18:39Z)
• Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
  我々は,新たな不確実性認識変換(SAUNA)を導入する。 以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T04:17:10Z)
• Towards Continual Learning Desiderata via HSIC-Bottleneck Orthogonalization and Equiangular Embedding [55.107555305760954]
  本稿では,レイヤワイドパラメータのオーバーライトや決定境界の歪みに起因する,概念的にシンプルで効果的な手法を提案する。 提案手法は,ゼロの指数バッファと1.02倍の差が絶対的に優れていても,競争精度が向上する。
  論文  参考訳（メタデータ） (2024-01-17T09:01:29Z)
• 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)
• 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)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• A self-training framework for glaucoma grading in OCT B-scans [6.382852973055393]
  そこで本研究では,OCT B-Scansを用いた緑内障検診のための自己学習型フレームワークを提案する。 2段階の学習手法は、最初のステップで生成された擬似ラベルを利用して、ターゲットドメイン上のトレーニングデータセットを拡大する。 提案する新しい緑内障特異的バックボーンは,遅延空間の埋め込み特性を改良するために,スキップ接続による残像と注意点のモジュールを導入している。
  論文  参考訳（メタデータ） (2021-11-23T10:33:55Z)
• 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)

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。