Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic Image Classification

要約

ドメイン適応は、プロパティは類似しているがドメインが異なるラベル付きデータが大量に利用できることを考えると、魅力的なアプローチです。
これは、十分なラベル データの取得が困難な画像分類タスクに効果的です。
実世界の問題を効果的に解決するための 3 つのドメイン適応方法を拡張することにより、アンサンブル学習を積み重ねるための、SELDA という名前の新しい方法を提案します。
主な仮定は、基本ドメインの適応モデルを組み合わせると、各基本モデルの能力を活用することで、より正確で堅牢なモデルを取得できるということです。
最大平均不一致 (MMD)、低ランク符号化、および相関アライメント (CORAL) を拡張して、3 つの基本モデルの適応損失を計算します。
また、2 つの完全に接続されたレイヤー ネットワークをメタモデルとして利用して、これら 3 つの優れたドメイン適応モデルの出力予測をスタックし、眼科画像分類タスクで高精度を取得します。
Age-Related Eye Disease Study (AREDS) ベンチマーク眼科データセットを使用した実験結果は、提案されたモデルの有効性を示しています。

要約(オリジナル)

Domain adaptation is an attractive approach given the availability of a large amount of labeled data with similar properties but different domains. It is effective in image classification tasks where obtaining sufficient label data is challenging. We propose a novel method, named SELDA, for stacking ensemble learning via extending three domain adaptation methods for effectively solving real-world problems. The major assumption is that when base domain adaptation models are combined, we can obtain a more accurate and robust model by exploiting the ability of each of the base models. We extend Maximum Mean Discrepancy (MMD), Low-rank coding, and Correlation Alignment (CORAL) to compute the adaptation loss in three base models. Also, we utilize a two-fully connected layer network as a meta-model to stack the output predictions of these three well-performing domain adaptation models to obtain high accuracy in ophthalmic image classification tasks. The experimental results using Age-Related Eye Disease Study (AREDS) benchmark ophthalmic dataset demonstrate the effectiveness of the proposed model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google