这篇论文提出了一种基于自举技术和生成对抗网络的语义分割方法来解决无监督域自适应问题，其中，生成对抗网络的数据增强方法有效地帮助了域的对齐。实验表明，该方法在数据集上表现优异。

Sep, 2019

使用深度神经网络进行磁共振成像（MRI）图像的自动语义分割极大地辅助于评估和规划各种临床应用的治疗。然而，训练这些模型要求具备丰富的注释数据来实施端到端的监督学习过程。即使我们注释了足够多的数据，由于患者、MRI 扫描仪和成像协议的差异等因素，MRI 图像显示出相当大的变异性。这种变异性需要针对每个特定的应用领域重新训练神经网络，而这又需要专业放射科医生对所有新领域进行手动注释。为了减少持久数据注释的需求，我们开发了一种使用多个注释源域进行无监督联邦域自适应的方法。我们的方法使得能够将知识从多个注释源域转移，以使模型在未注释的目标域中有效使用。最初，我们通过最小化目标域和源域的分布的成对距离，使得目标域数据与每个源域在潜在嵌入空间中具有相似的表示，该空间被建模为深度编码器的输出。然后，我们采用集成方法来利用从所有领域获得的知识。我们提供了理论分析，并在 MICCAI 2016 多中心数据集上进行实验证明我们的方法是有效的。

Jan, 2024

基于深度学习的医学影像模型由于硬件、采集参数、人群和伪影等异质性数据的限制，往往难以有效地推广到新的扫描任务中。本研究提出一种无监督方法，通过利用 MRI 特定的增强技术，在脑部 MRI 分割中实现鲁棒的领域适应。通过在多样的数据集、模态以及分割任务之间进行广泛的实验对我们的方法进行有效性评估，并与目前最先进的方法进行比较。结果表明，我们提出的方法在各种任务中均具有高准确性、广泛适用性，并且对于不同领域的转移表现出非凡的鲁棒性，超过了大部分情况下的最先进性能。

Aug, 2023

本研究探讨自我集成用于视觉领域适应问题，并以期提出的一系列修改过的方法在具挑战性的领域适应场景中取得了最先进的结果，包括赢得了 VISDA-2017 视觉领域自适应挑战赛。

Jun, 2017

本文提出了一种将域混淆和自学习方法相结合的模型，称为域混淆自集成（DCSE），用于解决机器学习中数据收集和标注的时间成本高的问题，并验证了该方法在多种无监督域适应基准上表现比经验艺术更好。

Oct, 2018

本文提出一种半监督方法用于医学图像分割。该方法包括深度学习、正则化、自举等关键技术，并在多个医学图像数据集上进行了验证和表现优于其他方法。

Feb, 2019

半监督学习策略 —— 转化不变自训练（TI-ST）方法，通过评估像素级伪标签的可靠性并在自训练过程中过滤不可靠的检测，解决标签缺失和提高目标域分割性能。

Jul, 2023

本文提出了一个两步自监督域自适应方法，以最小化域间和域内差距，首先进行模型的域间自适应，然后使用基于熵的排序函数将目标域分为易和难两部分，最终采用自监督自适应技术从易到难来降低域内差距。

Apr, 2020

本文提出了一种新颖的半监督元学习框架，其中包括解缠结和显式对与领域位移相关的表示进行建模，对于医学图像分割问题，这项技术表现良好，尤其在有限的标注数据情况下具有更好的一般化性能和鲁棒性。

Jun, 2021

本文是关于无监督领域适应在语义分割中应用的综述，概括了包括多领域学习、域泛化、测试时适应、无源领域适应在内的最新趋势，并介绍了语义分割的最重要的方法、广泛使用的数据集和基准。

Dec, 2021