无源开放域适应：通过自监督视觉变换器提炼组织病理学图像

Jul, 2023

无源开放域适应：通过自监督视觉变换器提炼组织病理学图像

Source-Free Open-Set Domain Adaptation for Histopathological Images via Distilling Self-Supervised Vision Transformer

Guillaume Vray, Devavrat Tomar, Behzad Bozorgtabar, Jean-Philippe Thiran

TL;DR这篇论文提出了一个高度实际倡导 our method outperforms specific open set detection, test-time adaptation, and SF-OSDA methods to establish a new state-of-the-art on three public histopathological datasets (Kather-16, Kather-19, and CRCTP) for colorectal cancer assessment.

Abstract

There is a strong incentive to develop computational pathology models to i) ease the burden of tissue typology annotation from whole slide histological images; ii) transfer knowledge, e.g., tissue class separability from the withheld source domain to the distributionally shifted unlabe

computational pathology models open set domain adaptation self-supervised vision transformer cluster relative maximum logit score colorectal cancer assessment

发现论文，激发创造

无源领域自适应散病理学弱监督目标定位模型

基于深度学习的数字病理学已经在基于组织学图像的癌症诊断中变得流行。本文关注无源领域自适应（SFDA）问题，在组织学中对弱监督目标定位模型的分类和定位准确性中进行了比较。

Apr, 2024

自监督视觉 Transformer 是可扩展的领域泛化生成模型

我们提出了一种新颖的生成方法用于组织病理学图像的领域泛化，通过使用一种生成的自监督视觉转换器从图像片段中提取特征，并将它们无缝地融合到原始图像中，从而创建具有不同属性的新颖的合成图像，丰富数据集，从而提高深度学习模型在未见领域中的泛化能力。

Jul, 2024

开放集域适应用于语义分割

提出了一种用于语义分割的开放域适应方法，在目标域中包含未知类别，通过构建边界和未知形状感知的开放域域自适应模型 (BUS)，利用新颖的膨胀腐蚀对比损失函数来准确识别已知和未知类别的边界，并提出了一种新的领域混合增强方法（OpenReMix），此方法指导模型学习域和尺寸不变特征，以改善已知和未知类别的形状检测，通过广泛实验表明，与之前的方法相比，BUS 在具有挑战性的 OSDA-SS 场景中有效地检测未知类别。

May, 2024

基于进阶图学习的无源开放域自适应

本文提出了一种逐步的伪标记方法来实现源自由的开放域适应，并引入了平衡伪标记（BP-L）策略来加强模型的分类扩展性和预测校准性能，在基准图像分类和动作识别数据集上验证了所提出方法能有效提升模型性能。

Feb, 2022

图像旋转对于开放领域适应的有效性研究

该研究提出一种新的自监督学习方法，通过旋转识别任务来解决开放集领域适应中的已知 / 未知样本分离及其性能评估问题，并在 Office-31 和 Office-Home 基准测试中表现出较好的性能和可重复性。

Jul, 2020

通过未知利用在开放集领域适应中收紧分类边界

通过提取未知实例的高置信度集合，并将其用作限制条件来收紧开放集域自适应方法的分类边界，改进了开放集域自适应方法。在包含 Office-31 和 Office-Home 数据集的广泛实验中，对 OVANet 进行评估，观察到连续改进的结果，Office-31 的准确率和 H-Score 绝对增益高达 1.3％，Office-Home 的准确率增益为 5.8％，H-Score 增益为 4.7％。

Sep, 2023

语义分割中的无源开放式化合物领域自适应

本文提出了无源开放复合领域自适应的新概念，并在语义分割中进行研究，应用自监督学习的方法，通过 Cross-Patch Style Swap 框架解决了训练一般性源模型和自适应目标模型的问题，从而在目标和开放领域上实现了最先进的结果。

Jun, 2021

基于 Transformer 的无源域自适应

本研究提出了一种基于 Transformer 的通用转换框架 TransDA，通过将 Transformer 作为注意力机制注入卷积网络中并针对目标伪标签进行自监督知识蒸馏方法，将模型的注意力集中于目标域的对象区域，提高了模型的泛化能力，并在三个领域自适应任务中获得了最先进的结果。

May, 2021

一种基于不确定性引导的分级自训练框架用于主动无源域适应在前列腺分割中

我们提出了一种基于不确定性引导的分层自训练框架，通过熵基于局部峰值滤波的高效主动样本选择来聚合全局不确定性和多样性感知的冗余滤波，结合分层自学习策略，在交叉中心前列腺 MRI 分割数据集上取得显著进展，仅有 5% 的注释，在两个目标域与现有方法相比，平均 Dice 分数提高了 9.78% 和 7.58%，与全监督学习相当。

Jul, 2024

基于不确定性引导的无源域自适应与目标独立类别分离

该论文介绍了一种针对无源领域自适应的新方法，通过将目标领域的样本细分为多个未知类别来改善对目标专属样本的分离，并提出了一种名为 NL-InfoNCELoss 的新对比损失函数，可以增强模型对噪声伪标签的鲁棒性。实验结果表明，该方法在基准数据集上优于现有方法，并能学习新类别的潜在语义，为新类别的发现提供了可能。

Apr, 2024