領域差異に依存しないカテゴリ情報を用いたマルチドメイン汎化

Abstract

ドメイン一般化は、学習に使用したデータセット（ソースドメイン）とは異なる、新たな環境やデータセット（未見ドメイン）に適用した際に、モデルが高い精度を維持できるようにすることを目的とした手法です。一般に、特定のデータセットで学習したモデルの精度は、別のデータセットで評価すると大きく低下することがよくあります（ターゲットドメイン）。この問題は、撮像装置や染色方法などの環境条件の違いによってドメイン間に差が生じることに起因します。そこで本研究では、ドメインの違いに依存しないセグメンテーションを行うために2つの取り組みを実施しました。提案手法は、ドメインの違いとは無関係なカテゴリ情報と、ソースドメインに固有な情報を分離します。ドメインの違いに依存しない情報を用いることで、セグメンテーション対象（例：血管や細胞核）を学習できるようになります。ドメインの違いに関する独立な情報を抽出しますが、それだけでは学習データとテストデータの間のドメインギャップを完全に埋めることはできません。そこで、Stochastically Quantized Variational AutoEncoder（SQ-VAE）の量子ベクトルによってドメインギャップを吸収します。実験では、血管セグメンテーションと細胞核セグメンテーションのためのデータセットに対して提案手法を評価しました。提案手法は従来手法と比べて精度を向上させました。