学习基于子分区的异质感知领域自适应细胞核分割
本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法,该方法利用荧光显微镜图像进行学习,并引入对源域的偏置特征的动态修正机制,以实现跨数据集的域适应,实验结果表明,该方法在三个数据集上优于最先进的无监督域自适应方法,同时表现出类似于完全监督方法的性能。
May, 2020
这篇论文提出了一种针对 H&E 染色组织学图像的无监督领域自适应 (UDA) 的新方法,通过利用组织结构和细胞形态等组织学特征来提高领域适应性能。该方法在准确性、鲁棒性和泛化性方面经过了广泛评估,并且在 FHIST 数据集上的实验结果表明,我们提出的方法 (Domain Adaptive Learning,DAL) 明显超过了基于 ViT 和 CNN 的最先进方法分别有 1.41% 和 6.56% 的提升。
Sep, 2023
本文介绍了一种基于生成式联合判别器的方法,能够连续自适应多个未标记的目标领域且保护隐私,特别适用于具有长生命周期的医学学科领域,实现了对组织类型分类取得了最先进的效果。
Feb, 2023
本文介绍了针对语义分割的无监督域自适应(UDA)的新方法 —— 开放复合域自适应(OCDA)。该方法基于 “发现、臆造、适应” 三大设计原则构建了新的框架,它首先根据样式聚类混合目标数据,然后使用图像转换方法在源中臆造多个潜在的目标域,最后分别学习领域之间的目标和源的对齐方法。该方法将一个复杂的 OCDA 问题转化为多个简单的 UDA 问题,实现了在 GTO to C-driving 标准基准测试上取得了新的最好效果。
Oct, 2021
本文提出了一种新的数据有效的多域医学图像分割的深度无监督领域自适应方法,该方法结合了基于变分自编码器的特征先验匹配和域对抗训练,以学习共享的域不变潜在空间进行分割。在公共多模态心脏图像分割数据集上评估,在仅使用一个未标记的 3D CT 扫描的情况下,该方法在相同的设定下胜过现有的技术。最后,我们对先验匹配和域对抗训练进行了消融研究,以阐明所提出方法的理论基础。
Jul, 2019
本文提出了一种基于未标注领域自适应的方法来解决神经元膜片分割领域间差距的问题,通过设计了特征权重模块、结构特征的超分辨率方法和正交分解模块,改进了神经元膜片分割的性能,在两个应用领域中得到了有效结果。
May, 2023
本文提出了一种基于多教师蒸馏框架下的频率和空间域转移的简单有效的无监督领域自适应方法,其中使用非下采样轮廓波束变换来识别域不变分量和域变分量,并使用批次动量更新的直方图匹配策略来减少图像风格偏差。两个医疗图像分割数据集上的实验表明,我们的方法优于现有最先进的方法。
Nov, 2022
本文提出一种基于无监督域自适应(UDA)的方法,针对城市场景的语义分割应用领域,将深度神经网络从合成数据源,适应到真实数据源上,通过引入对抗模块和自训练策略实现充分对齐两个数据分布,模块化的架构使得模型适用范围更广,实验结果表明该方法的有效性和稳健性。
Apr, 2020
我们提出了优化轨迹蒸馏,这是一种统一的方法,从新的角度解决了两个技术挑战。我们充分利用了梯度空间的低秩特性,并设计了一种双流蒸馏算法,以从可靠的源获得外部指导来规范不充分标注的域和类的学习动态。我们在多个任务上对所提出的方法进行了广泛评估,结果证明了其在临床和开放世界中的显著效果和改进。
Jul, 2023
本文介绍了一种基于 “分离表达学习” 的双向无监督领域自适应(BiUDA)框架,来提高医疗图像分析中深度学习模型在不同领域间迁移性能,实验结果显示该框架优于当前先进的方法。
Aug, 2021