Jul, 2023

无源域自适应眼底图像分割与类平衡均值教师

PDF
TL;DR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。
domain adaptive fundus image segmentationpretrained fundus segmentation modelpseudo labelsclass-balanced mean teacher (cbmt) modelloss calibration approach
发现论文，激发创造
  • 领域自适应目标检测的对比均值教师

    本文提出了一种统一的、通用的框架 ——CMT，将 mean-teacher 自训练和对比学习这两种范式自然地集成在一起，通过伪标签进行特征抽取和优化，从而稳定提高了目标域上的性能，取得了新的最优表现。

    May, 2023

  • 基于无偏均衡学习的跨领域目标检测方法

    本研究提出了一种新的 UMT 模型，通过消除教师模型的偏差、使用像素级别的自适应增强训练样本、以及采用基于分布的估算策略来选择最适合当前模型的样本，从而消除了跨域识别中常见的模型偏差，并取得了显著的性能提升。

    Mar, 2020

  • 交叉头部互惠式半监督医学图像分割

    用 CMMT-Net 方法解决半监督医学图像分割中的标签预测准确性、噪声以及信息过度拟合等问题，并在公开数据集上显著优于现有方法。

    Oct, 2023

  • 利用加权一致性目标的深度半监督分割

    本文介绍了如何将 Mean Teacher 泛化到分割任务，并表明该方法可以在公开数据集中显着提高分割性能，同时解决了传统数据增强策略在分割任务中出现的问题。

    Jul, 2018

  • 半监督语义分割的扰动与严格均值 Teacher 模型

    本文中，我们使用新的 mean-teacher 模型扩展和更严格的 confidence-weighted cross-entropy loss 解决了一些不准确的预测，这使我们能够使用新的对抗性扰动技术来提高对相对数据的一致性学习泛化能力。结果表明，我们的方法较先前的 SOTA 方法在该领域实现了显着的改进。

    Nov, 2021

  • 领域自适应语义分割无源数据

    一个基于自训练网络的语义分割框架，该框架主要包含两个部分：正样本提取和负样本提取，以及选用了启发式的互补标签选择方法。通过实验可知，该框架在广泛应用的合成到实际领域的语义分割任务上表现出了很高的性能。

    Oct, 2021

  • 多功能教师：一种面向跨领域适应的课程感知教师 - 学生框架

    在跨领域目标检测中，本文引入了一种名为 Versatile Teacher (VT) 的新型教师 - 学生模型，通过考虑类别特定的检测难度并采用两步赋值机制，生成更可靠的伪标签，将其作为显著性矩阵来引导区分器进行有针对性的实例级对齐，取得了有希望的实验结果，并扩展了广泛使用的一阶检测器的对齐方法，具有重要的实际应用潜力。

    May, 2024

  • 去噪均值教师在领域自适应点云配准中的应用

    本文针对点云医学配准中的域适应问题和损伤监督教师中的噪声提出了一种去噪老师 - 学生范式方法，在公共数据集 PVT 上验证，在两个域移位模型下，该方法提高了 13.5 / 62.8% 的性能，并取得了新的最高精度水平 (TRE=2.31mm)。

    Jun, 2023

  • 基于源自由的在线领域自适应卫星图像语义分割在图像退化下的应用

    在线自适应卫星图像分割中的分布偏移问题是一个关键但尚未充分探索的问题。本文提出了一种新的在线测试时领域适应方法，通过两种有效策略来缓解由各种形式的图像退化引起的分布偏移。通过全局 BN 统计估计和全局类别中心修正预测掩码的方法，我们的方法在各种领域适应场景中展现了鲁棒的性能。

    Jan, 2024

  • 去源域自适应眼底图像分割：去噪伪标签法

    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。

    Sep, 2021