論文の概要: Directional Dual-Head Supervision for Real-Time Source-Free Polyp Segmentation

• arxiv url: http://arxiv.org/abs/2611.00238v1
• Date: Fri, 30 Oct 2026 18:19:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-14 02:32:16.695572
• Title: Directional Dual-Head Supervision for Real-Time Source-Free Polyp Segmentation
• Title（参考訳）: 実時間ソースフリーポリープセグメンテーションのためのディレクショナルデュアルヘッドスーパービジョン
• Abstract要約: ソースデータにアクセスすることなく、ラベルなしのターゲットドメインにモデルを適応させるため、ソースフリードメイン適応(SFDA)は、医療画像セグメンテーションにおいて重要である。 We propose MedRT-SFSeg, a real-time SFDA framework built on a dual-head one-to-one-one-many YOLO segmentation architecture。
• 参考スコア（独自算出の注目度）: 11.653006936724347
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Source-free domain adaptation (SFDA) is critical for medical image segmentation as it adapts a model to an unlabeled target domain without accessing source data, thereby preserving data privacy. However, its effectiveness is often limited by confirmation bias: self-training models tend to miss small polyps, hallucinate foreground, and produce imprecise contours. We propose MedRT-SFSeg, a real-time SFDA framework built on a dual-head one-to-one/one-to-many YOLO segmentation architecture. Mask-DHF fuses precision- and recall-oriented predictions into stable pseudo-instances, while DURR uses the sign of pixel-level dual-head disagreement as a directional cue to expand or shrink masks, and additionally recovers missed instances and suppresses hallucinations. Seg-MARD further regularizes feature representations through mask-guided, region-stratified sampling. Experiments on bidirectional adaptation between Kvasir-SEG and CVC-ClinicDB show that MedRT-SFSeg achieves 80.43%/80.77% Dice and 5.53/8.44 mm ASD, improving the non-adapted baseline by 7.7 and 9.8 Dice points while running at more than 62 FPS end-to-end. These results suggest that segmentation-aware dual-head supervision can improve pseudo-label quality without sacrificing real-time inference. Project page: https://danielnguyen-05.github.io/MedRT-SFSeg
• Abstract（参考訳）: ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータにアクセスすることなく、ラベルのないターゲットドメインにモデルを適応させるため、医療画像のセグメンテーションにおいて重要である。 しかし、その効果は確認バイアスによって制限されることが多く、自己学習モデルは小さなポリープを見逃し、前景を幻覚させ、不正確な輪郭を作り出す傾向がある。 We propose MedRT-SFSeg, a real-time SFDA framework built on a dual-head one-to-one-one-many YOLO segmentation architecture。 Mask-DHFは精度とリコール指向の予測を安定した擬似インスタンスに融合させる一方、DURRはマスクを拡大または縮小するための方向性のキューとしてピクセルレベルのデュアルヘッド不一致のサインを使用し、また、欠落したインスタンスを復元し、幻覚を抑制する。 Seg-MARDはさらに、マスク誘導、領域階層化サンプリングを通じて特徴表現を正規化している。 Kvasir-SEG と CVC-ClinicDB の双方向適応実験により、MedRT-SFSeg は 80.43%/80.77% Dice と 5.53/8.44 mm ASD を達成した。 これらの結果から,セグメント化を意識したデュアルヘッド監視は,リアルタイム推論を犠牲にすることなく,擬似ラベル品質を向上できる可能性が示唆された。 プロジェクトページ:https://danielnguyen-05.github.io/MedRT-SFSeg

関連論文リスト

• SeGDeP: Semantic- and Geometric-Aware Decoupled Prompts for Reasoning Segmentation [51.46828526392219]
  推論セグメンテーションは暗黙の言語学的結論を正確なマスクに変換する。 既存のMLLMセグメンタインタフェースでは、特別なトリガーを使用するか、両方の信号を1つのコンテキストに圧縮する。 明示的なWhat-whereインターフェースであるSeGDePを提示する。
  論文  参考訳（メタデータ） (2026-09-08T15:11:32Z)
• KANResDiff: Learning Local Residual Diffusion via Kolmogorov-Arnold Network for Ambiguous Medical Image Segmentation [10.667399216244169]
  我々はKanResDiffを提案し、Kolmogorov-Arnold Networkを用いて局所的残留拡散を学習する。 GEDとHM-IoUのSOTA性能は最大16.8%,HM-IoUは7.7%向上した。
  論文  参考訳（メタデータ） (2026-08-12T03:54:27Z)
• Real-Time Source-Free Object Detection [40.10658212485104]
  自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。 我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
  論文  参考訳（メタデータ） (2026-06-30T15:38:56Z)
• Uncertainty-Guided Conservative Propagation for Structured Inference in Vessel Segmentation [10.73944733412427]
  Uncertainty-Guided Conservative Propagation (UGCP)は,コンテナセグメンテーション用のプラグインモジュールである。 予測の不確実性は、不明瞭な地域を支援するための信頼性のある地域を導く。 構造対応変調とソースベースの安定化は、信頼性の低い伝播と過剰なドリフトを減少させる。
  論文  参考訳（メタデータ） (2026-05-19T22:31:13Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• UPL-SFDA: Uncertainty-aware Pseudo Label Guided Source-Free Domain Adaptation for Medical Image Segmentation [21.583847757015157]
  医用画像セグメンテーションのための新しいuncertainty-aware Pseudo Label guided (UPL)法を提案する。 具体的には,ターゲット領域における予測の多様性を高めるために,ターゲット領域成長(TDG)を提案する。 また,ある前方パスで得られた疑似ラベルを用いて,次の前方パスで予測を監督するTwice Forward Pass Supervision(TFS)戦略を提案する。
  論文  参考訳（メタデータ） (2023-09-19T01:52:37Z)
• Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
  ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。 本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
  論文  参考訳（メタデータ） (2023-08-20T18:23:07Z)
• 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)
• Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
  顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。 本稿では,新たな敵情報ネットワーク(AIN)を提案する。
  論文  参考訳（メタデータ） (2023-05-23T02:14:11Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• SAR-U-Net: squeeze-and-excitation block and atrous spatial pyramid pooling based residual U-Net for automatic liver CT segmentation [3.192503074844775]
  Squeeze-and-Excitation(SE)ブロック,Atrous Space Pyramid Pooling(ASPP),Resternal Learningといったテクニックを活用した,U-Netベースのフレームワークが提案されている。 提案手法の有効性を2つの公開データセットLiTS17とSLiver07で検証した。
  論文  参考訳（メタデータ） (2021-03-11T02:32:59Z)

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。