論文の概要: Benchmarking the Domain Gap: Model Selection Instability Under Domain Shift in Video Capsule Endoscopy

• arxiv url: http://arxiv.org/abs/2607.22736v1
• Date: Wed, 22 Jul 2026 13:55:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.848693
• Title: Benchmarking the Domain Gap: Model Selection Instability Under Domain Shift in Video Capsule Endoscopy
• Title（参考訳）: ドメインギャップのベンチマーク:ビデオカプセル内視鏡における領域シフト下のモデル選択不安定性
• Abstract要約: ビデオカプセル内視鏡(VCE)分類は通常、単一のデータセット内で評価される。 Kvasir-Capsule, Capsule Vision 2024 (CV2024)およびGalarの共有ラベルサブセットを用いて,このギャップを検証した。
• 参考スコア（独自算出の注目度）: 5.0448084246428015
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video capsule endoscopy (VCE) classification is typically evaluated within a single dataset, yet clinical deployment demands robustness across acquisition sources, labeling policies, and patient populations. We examine this gap using Kvasir-Capsule, Capsule Vision 2024 (CV2024), and a shared-label subset of Galar. We fine-tune a suite of general-domain pretrained backbones on the official Kvasir-Capsule folds under a standardized protocol and evaluate the same checkpoints on two non-source targets within a documented shared-label decision space. We find that the predictive value of in-domain ranking is target-dependent: Kvasir-Capsule ranking aligns more closely with Galar than with CV2024, while the two non-source targets agree only weakly. Consequently, the strongest in-domain backbone leads on one target yet falls to mid-pack on the other, and no single evaluation target reliably predicts the others. A second CV2024-trained configuration set reproduces this target-dependent instability. We conclude that capsule endoscopy model selection should report cross-target ranking stability rather than peak single-dataset performance.
• Abstract（参考訳）: ビデオカプセル内視鏡(VCE)分類は通常、単一のデータセット内で評価されるが、臨床展開には、取得ソース、ラベル付けポリシー、患者集団間の堅牢性が必要である。 Kvasir-Capsule, Capsule Vision 2024 (CV2024)およびGalarの共有ラベルサブセットを用いて,このギャップを検証した。 公式な Kvasir-Capsule フォルダに事前トレーニング済みのバックボーンの集合を標準化されたプロトコルで微調整し、文書化された共有ラベル決定空間内の2つの非ソースターゲット上の同じチェックポイントを評価する。 Kvasir-Capsule ランキングは CV2024 よりも Galar と密接に一致しているが、2 つの非ソースターゲットは弱みにしか一致しない。 その結果、最強のドメイン内バックボーンが一方のターゲットを導くが、他方のターゲットを中間に落とし、一方の評価ターゲットが他方を確実に予測することはない。 第2のCV2024訓練構成セットは、この目標に依存した不安定性を再現する。 カプセル内視鏡モデル選択では,ピーク時の単一データセットの性能よりも,クロスターゲットのランク付け安定性を報告すべきである。

関連論文リスト

• Label-Free Foundational Model Selection for Medical Image Classification under Distribution Shift via Pseudo Label Discrepancy [3.0016442487726884]
  そこで本稿では,SUDOをベースとしたラベルなし選択基準を提案する。 AURCCは胸部X線分類における様々な視覚言語モデルのランク付けに利用できることを示す。
  論文  参考訳（メタデータ） (2026-08-26T13:56:29Z)
• Training-Free Model Selection and Domain-Aware Score Calibration for First-Shot Anomalous Sound Detection [0.12691047660244334]
  DCASE Challenge Task 2における1発の異常音検出は、未確認の機械の異常を1つの閾値で警告しなければならない。 ソースドメインとターゲットドメインのAUCはシステム間で負の相関を持ち、開発セットの性能は評価セットのパフォーマンスを予測しない。 凍結したオーディオ埋め込みの上に、トレーニング不要のポストホック層で対処する。
  論文  参考訳（メタデータ） (2026-07-05T22:22:31Z)
• When Calibration Fails the Vulnerable Hospital: Federated Conformal Risk Control via Risk-Curve Shrinkage [0.0]
  コンフォーマルリスク制御(CRC)は、セグメンテーション品質の分布自由保証を提供する。 フェデレートされたデプロイメントでは、標準的なアプローチは、サイト間でキャリブレーションスコアを単一のしきい値にプールする。 この単純プール型CRCは平均的な病院を保護しているが、個々の施設の40%はカバー範囲に違反している。
  論文  参考訳（メタデータ） (2026-06-18T11:39:44Z)
• Diagnosing Capability Gaps in Fine-Tuning Data [24.893074850115394]
  GoalCoverは、実践者が微調整データセットの能力ギャップを検出するのを支援するフレームワークである。 GoalCoverは、ハイレベルな目標を原子的に独立して評価可能なサブゴールに構造化した分解を通じて実践者を導く。 GoalCoverは、ターゲット外の能力への影響を確実に区別する。
  論文  参考訳（メタデータ） (2026-04-30T07:52:28Z)
• Chaos to Order: A Label Propagation Perspective on Source-Free Domain Adaptation [8.27771856472078]
  我々は、ソースフリードメイン適応(SFDA)のための新しいアプローチであるChaos to Order(CtO)を提示する。 CtOは、セマンティックな信頼性を制約し、ターゲットのサブポピュレーション間でラベル情報を伝達する。 実証的な証拠は、CtOが3つの公開ベンチマークで芸術の状態を上回っていることを示している。
  論文  参考訳（メタデータ） (2023-01-20T03:39:35Z)
• Learning Classifiers of Prototypes and Reciprocal Points for Universal Domain Adaptation [79.62038105814658]
  Universal Domainは、ドメインシフトとカテゴリシフトという2つのシフトを処理して、データセット間で知識を転送することを目的としている。 主な課題は、既知のクラス知識の分布をソースからターゲットに適応させながら、未知のターゲットサンプルを正しく識別することである。 既存のほとんどの手法は、まずターゲットが適応した既知の知識を訓練し、次に未知のターゲットサンプルを識別するために単一のしきい値に依存することでこの問題に対処する。
  論文  参考訳（メタデータ） (2022-12-16T09:01:57Z)
• 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)
• 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)
• Joint Visual and Temporal Consistency for Unsupervised Domain Adaptive Person Re-Identification [64.37745443119942]
  本稿では,局所的なワンホット分類とグローバルなマルチクラス分類を組み合わせることで,視覚的・時間的整合性を両立させる。 3つの大規模ReIDデータセットの実験結果は、教師なしと教師なしの両方のドメイン適応型ReIDタスクにおいて提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2020-07-21T14:31:27Z)
• Exploring Category-Agnostic Clusters for Open-Set Domain Adaptation [138.29273453811945]
  本稿では、カテゴリ非依存クラスタ(SE-CC)を対象ドメインのカテゴリ非依存クラスタと組み合わせた、新たなアーキテクチャを提案する。 クラスタリングは、対象ドメイン特有の基盤となるデータ空間構造を明らかにするカテゴリ非依存クラスタを得るために、ラベルなしのターゲットサンプルすべてにわたって実行される。
  論文  参考訳（メタデータ） (2020-06-11T16:19:02Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。