Sep, 2021

去源域自适应眼底图像分割：去噪伪标签法

HTML
PDF
TL;DR本文研究实际且具有挑战性的无源无监督域自适应问题。作者提出了一种新颖的去噪假标记方法，该方法利用源模型和未标记的目标数据促进模型的自适应。该方法通过不确定性估计和原型估计，进一步引入了两种补充的像素级和类级去噪方案，以减少嘈杂的假标记并选择可靠的假标记以增强假标记的有效性。实验表明，该方法在不使用任何源图像或修改源训练的情况下，实现了与最先进的源相关无监督领域适应方法可比甚至更高的性能。
发现论文，激发创造
  • 领域自适应语义分割的原型伪标签去噪与目标结构学习

    本文提出了一种基于代表类的原型和特征距离的无监督域自适应方法，通过第一视角和第二视角目标的相对特征距离来调整原型分配，并使用特征距离来估计伪标签的概率以辅助在线纠正，同时利用自我监督训练模型进一步提高性能。

    Jan, 2021

  • 利用负学习实现无源域适应语义分割中的隐式伪标签矫正

    本研究提出了一种新的领域自适应解决方案，用于语义分割，通过伪标签修正的方法来避免训练中的噪声，并在未接触源模型内部规格的情况下取得很高的性能。

    Jun, 2021

  • 通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

    在医学图像分割领域，我们提出了一种新颖的两阶段无源域适应框架（SFDA），通过仅使用训练有素的源分割模型和无标签目标数据，旨在解决没有源数据时的问题。该框架首先利用预训练像素分类器的权重作为源原型，通过最小化预期成本，通过双向传输将目标特征与类原型对齐，其次设计了对比学习阶段，利用具有不可靠预测的像素来得到更紧凑的目标特征分布。实验证明，我们的方法在大域差异设置下优于最先进的SFDA方法甚至一些UDA方法。

    Jul, 2023

  • 无源域自适应眼底图像分割与类平衡均值教师

    本研究主要研究基于无源域的玻璃体图像分割，旨在通过使用无标签图像将预训练的玻璃体分割模型适应到目标领域。研究提出了一种名为Class-Balanced Mean Teacher (CBMT)的模型，旨在解决伪标签不稳定和类别不平衡的问题，并通过实验证明CBMT在多个基准测试中优于现有方法。

    Jul, 2023

  • 通过粗细自我监督进行息肉分割模型的无监督适应

    本文研究了一个实际问题——无源域自适应（SFDA），提出了一种名为RPANet的新的SFDA框架，该框架通过粗细自监督学习来学习区域级和像素级有判别性的表示，实验表明RPANet在医学应用中超越了现有的SFDA和UDA方法。

    Aug, 2023

  • 基于上下文感知的无源域自适应眼底图像分割的伪标签优化

    提出一种基于上下文感知的伪标签细化方法，通过学习上下文关系并根据特征距离计算，修正伪标签并校准以补偿不准确的修正，同时采用像素级和类别级去噪方法来选择可靠的伪标签进行域适应，实验结果表明该方法在跨域眼底图像上取得了最优结果。

    Aug, 2023

  • 无源领域自适应医学图像分割的局部全局伪标签修正

    本研究提出了一种新颖的源数据免费领域自适应医学图像分割方法，名为局部-全局伪标签校正（LGDA）方法，通过离线局部和在线全局伪标签校正来纠正自训练方法中的错误伪标签，取得了优于现有方法的性能。

    Aug, 2023

  • 稳健的无源域自适应用于眼底图像分割

    提出了一个两阶段训练策略来实现领域自适应的稳健性，第一阶段利用对抗样本增强来增强源模型的稳健性和泛化能力，第二阶段提出了一种新的稳健伪标签和伪边界方法，有效利用无标签目标数据生成伪标签和伪边界，实现模型的自适应，无需源数据。在跨领域眼底图像分割上的实验结果证实了该方法的有效性和通用性。

    Oct, 2023

  • 医学图像分割的切比雪夫置信度引导无源领域自适应框架

    在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个Chebyshev置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师-学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

    Oct, 2023

  • 解决无源无监督视频域自适应的标签噪声问题

    使用自主训练、伪标签、微调和师生框架等方法，这篇论文提出了解决视频领域适应性问题的方法，以在没有源数据的情况下实现源无关自适应，并取得了领先的实验结果。

    Nov, 2023