Jul, 2023

注重 Atlas：基于 Atlas 引导的测试时适应性方法，用于强健的三维医学图像分割

PDF
TL;DR本文介绍了一种用于 3D 医学图像分割的新的 Atlas 引导的测试时间自适应方法，其仅需要一个单一的未标记测试样本作为输入，并通过最小化基于 Atlas 的损失来适应分割网络。此外，与大多数现有的测试时间自适应方法不同，该方法还利用通道和空间注意块来提高测试时间的适应性，并在多个数据集上表现出了优异的性能。
convolutional neural networksunsupervised domain adaptationmedical image segmentationatlas-based losstest-time adaptation
发现论文，激发创造
  • 单幅图像测试时自适应分割

    优化自监督损失进行测试时间段的自适应图像分割模型，采用多种基线方法及改进，并引入对抗训练来提高性能。

    Sep, 2023

  • 面向鲁棒性医学图像分割的测试时间可适应神经网络

    我们提出了一种基于图像归一化和去噪自动编码器的 CNN 分割方法，该方法可以处理医疗图像分割中由于扫描仪模型或协议差异而导致的训练和测试图像不匹配问题，并能够适应多中心数据集以及其他分割网络。

    Apr, 2020

  • 少数点击即可：主动测试时间适应语义分割

    在这项工作中，我们通过引入人机协同测试模式，提出了一种简单而有效的 ATASeg 框架，它通过极少量的注释实现了 TTA 方法和有监督方法之间的性能差距的弥合。

    Dec, 2023

  • 朝向临床医生首选的分割：利用人为辅助实时调整来进行医学图像分割

    通过集成医生纠正的预测和发散损失函数，我们提出的人在环形的测试时间适应框架能够提高深度学习医学图像分割模型在不同医疗中心中的性能和适应性。

    May, 2024

  • 使用 InTEnt 进行医学图像分割：整合熵权重的单图像测试时适应性

    通过使用在训练和测试统计数据之间进行的基于熵统计的加权目标域统计估计的预测整合方法，我们解决了在只有单个无标签测试图像的情况下，适应医学图像分割模型的任务。

    Feb, 2024

  • 语义分割中经典的测试时自适应方法的关键研究

    经过综合研究，我们发现语义分割中经典的测试时适应方法在解决问题上存在一些挑战，批量归一化更新策略对结果只带来轻微改善，师生方案使训练过程稳定但不会直接提高性能，长尾不平衡问题严重影响语义分割性能。

    Oct, 2023

  • 测试时间自适应的特征对齐和统一性

    该研究探讨了测试时间自适应的方法，使用特征修正、自我蒸馏以及空间本地化聚类等技术，提高了医学图像分割任务的性能，进一步提高了现有测试时间适应方法的性能表现。

    Mar, 2023

  • 基于槽位中心模型的测试时适应

    本研究提出一种基于自我监督的 Slot-TTA 模型，在测试时通过梯度下降对重构或新颖视角综合目标进行场景自适应调整，大幅提高了场景内实例分割的准确性，尤其在非训练数据中取得了显著的性能提升。

    Mar, 2022

  • ICCV 2023 视觉持续学习挑战的技术报告：语义分割的连续测试时适应

    开发一种测试时自适应方法，用于语义分割任务中针对视频序列中逐渐变化的领域进行模型适应，主要基于合成自驾车视频数据集 SHIFT，目标是分析分布变化并开发一个能够适应数据动态变化和在不同场景中泛化的方法。

    Oct, 2023

  • 图像分类中针对分布偏移的实时适应性评估

    通过建立一个基准测试来评估和比较测试时间调整方法在提高模型稳健性和泛化性能方面的有效性，我们提供了一个可靠的评估方式，并探索了不同测试时间调整方法与不同网络骨干的兼容性。

    Jul, 2023