Multi-scale Feature Alignment for Continual Learning of Unlabeled Domains

要約

教師なしドメイン適応 (UDA) の方法は、ラベル付けされたデータを使用せずに、目に見えないドメインでのディープ ニューラル ネットワークのパフォーマンスを向上させるのに役立ちます。
特に病理組織学などの医療分野では、詳細な注釈を含む大規模なデータセットが不足しているため、これは非常に重要です。
既存のUDAメソッドの大部分は、ラベル付けされたソースからラベル付けされていない単一のターゲットドメインへの適応に焦点を当てていますが、長いライフサイクルを持つ多くの現実世界のアプリケーションには、複数のターゲットドメインが含まれます.
したがって、複数のターゲット ドメインに順次適応する能力が不可欠になります。
たとえば、データ保護規制のために、以前に見たドメインからのデータを保存できない設定では、上記は挑戦的な継続的な学習の問題になります。
この目的のために、再生用の現実的な機能を備えた画像の生成を可能にするだけでなく、ドメイン適応中の機能の調整も促進する二重目的の弁別器と組み合わせて、生成機能駆動型の画像再生を使用することを提案します。
組織型分類のための 3 つの組織病理学的データセットのシーケンスでアプローチを広範囲に評価し、最先端の結果を達成します。
提案された方法のコンポーネントを研究する詳細なアブレーション実験を提示し、高解像度の組織画像が与えられた教師なしパッチベースのセグメンテーションタスクに対する継続的な UDA メソッドの可能なユースケースを示します。

要約(オリジナル)

Methods for unsupervised domain adaptation (UDA) help to improve the performance of deep neural networks on unseen domains without any labeled data. Especially in medical disciplines such as histopathology, this is crucial since large datasets with detailed annotations are scarce. While the majority of existing UDA methods focus on the adaptation from a labeled source to a single unlabeled target domain, many real-world applications with a long life cycle involve more than one target domain. Thus, the ability to sequentially adapt to multiple target domains becomes essential. In settings where the data from previously seen domains cannot be stored, e.g., due to data protection regulations, the above becomes a challenging continual learning problem. To this end, we propose to use generative feature-driven image replay in conjunction with a dual-purpose discriminator that not only enables the generation of images with realistic features for replay, but also promotes feature alignment during domain adaptation. We evaluate our approach extensively on a sequence of three histopathological datasets for tissue-type classification, achieving state-of-the-art results. We present detailed ablation experiments studying our proposed method components and demonstrate a possible use-case of our continual UDA method for an unsupervised patch-based segmentation task given high-resolution tissue images.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google