半监督领域适应医学图像分割通过一致性规则的解耦对比学习
本文提出将一致性正则化项加入半监督 UDA 中,通过建模网络输出元素之间的像素之间的相互关系,在 DAFormer 框架上改善了 GTA5 到 Cityscapes 数据集 19 类 mIoU 表现 0.8 和 SYNTHIA 到 Cityscapes 数据集 16 类 mIoU 表现 1.2。
Aug, 2022
该研究提出一种基于双层域混合的半监督领域自适应框架,结合数据混合方法和知识蒸馏,通过给定少量标记的数据和大量标记的源数据来减少域间差异,并在自我训练中生成伪标签。实验证明该框架在合成到实际语义分割基准中表现出有效性。
Mar, 2021
本文提出了一种基于对比学习和自我训练的方法,该方法可以很好地应用于不同领域的实例进行语义分割,可以将语义类别在跨域上进行对齐,从而达到更好的结果。
May, 2021
本文提出一种基于特征聚类和正交性损失等方法的无监督领域自适应策略,能够在合成到真实场景的情况下有效提高特征空间结构的判别能力并达到最先进的性能。
Nov, 2020
该研究展示出半监督领域自适应 (Semi-Supervised Domain Adaptation, SSDA) 可以在不需要特征对齐的情况下学习一个精度较高的目标分类器,使用自监督预训练和一致性正则化等简单技术可以实现良好的目标集群分离效果,超越多种对抗领域对齐方法在多个数据集上实现了卓越的目标精度。
Jan, 2021
本文提出了一种基于多级一致性学习的半监督域自适应框架,其中包括使用基于原型的最优传输方法稳健准确地对齐源域和目标域,使用新颖的类内对比聚类损失促进目标特征表示的学习,遵循标准实践并通过自我训练改进预测准确性等多种优化机制。实验证明,该框架在三个受欢迎的半监督域自适应基准测试中均取得了最新的性能表现。
May, 2022
本研究提出了一种新的无监督域自适应方法,通过粗、细两个阶段中的影像级对齐和类别级别特征分布规则化来统一解决影像级别和类别级别导致的域差异问题,其中概念中的 “类别级别特征分布” 指的是使用三元组损失限制源域的类别中心和自监督一致性规则化目标域,实验证明本研究所提出的方法提高了分割模型的泛化能力并显著优于之前的方法。
Mar, 2021
本文提出了一种基于区域对比一致性正则化(RCCR)、动量投影头和记忆库机制的无监督域自适应语义分割方法,旨在提高在不同环境下的分割精度。实验证明,该方法优于现有的基准方法。
Oct, 2021
本文介绍了一种新的半监督领域适应框架,该框架结合了跨域混合和内域混合,实现了更好地利用目标域信息,并在 GTA5toCityscapes 和 SYNTHIA2Cityscapes 基准数据集上取得了显著的效果优于之前的方法。
Aug, 2023