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

通过知识迁移和自监督学习，提出了一种基于 source-free 的语义分割域适应框架 SFDA，它可以在只有一个经过良好训练的源模型和一个未标注的目标域数据集的情况下，在语义分割中恢复和保存源域知识。

Mar, 2021

提出了一种基于增强型筛选伪标签的无监督域自适应 (Unsupervised Domain Adaptation, UDA) 方法，用于三维医学图像分割，通过交叉域数据增强生成高质量伪标签，结合标注的源域图像和目标域伪标签进行模型训练，在多个公共多模态数据集上表现优于十种先进的 UDA 方法，并在某些情况下甚至超过了全监督学习的效果。

Apr, 2024

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

基于深度学习的解决方案如何在面对与训练数据不同特征的情况下，语义分割会有性能下降的问题，针对此问题提出了一种无监督领域适应的方法，利用辅助伪标签优化网络进行自训练，实验结果表明这种方法在基准数据集上的表现显著优于之前的最先进方法.

Oct, 2023

我们提出了一种新颖的基于不确定性伪标签引导的源域自由领域适应方法，通过目标领域增长和两次前向传递监督来提高医学图像分割的多样性和准确性，获得可靠的伪标签并进一步优化自适应性。在多个数据集上的实验证明，与基准方法相比，我们的方法在三个任务中平均提高了 5.54％，5.01％和 6.89％的 Dice 系数。

Sep, 2023

本文提出了一种基于红外图像的智能监测系统，其基于卷积神经网络和支持向量机算法，并且在不需要源数据的情况下使用自我训练的方式进行对源领域的无监督领域适应，使用了策略筛选伪标签的课程学习加速自适应过程。

Mar, 2023

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

本文提出了一种端到端的 Prototypical Cross-domain Self-Supervised Learning (PCS) 框架，通过在共享嵌入空间中编码和对齐语义结构，不仅执行跨域低级特征对齐，而且捕捉数据的类别间语义结构。与最先进的方法相比，PCS 在 FUDA 上在不同域对之间的平均分类精度分别提高了 10.5％，3.5％，9.0％和 13.2％。

Mar, 2021

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