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
• Authors: Rini Smita Thakur, Rajeev Ranjan Dwivedi, Vinod K Kurmi,
• 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

• 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)
• 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。