基于不确定性感知自适应蒸馏的多源无域自适应
该研究提出了一种基于概率模型的源自由领域自适应方法,通过量化源模型预测中的不确定性来指导目标适应,以对抗域漂移和缺乏源数据的问题,并且相比于传统的源自由领域自适应方法,该方法计算轻量、与源训练和目标适应相独立。
Aug, 2022
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
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
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
本文提出了一种基于 Monte-Carlo dropout 的不确定性滤波和特征对齐方法(UFAL),该方法包括 Uncertain Feature Loss(UFL)函数和 Uncertainty-Based Filtering(UBF)方法,能够有效解决无监督域自适应问题,达到了多个数据集上最先进的结果。
Sep, 2020
本文提出了基于源分布估计方法的 Source-Free Domain Adaptation 模型 SFDA-DE,采用球形 k 均值聚类生成目标数据的假伪标签,并利用目标数据和锚点学习源域的类条件特征分布,通过最小化交叉适应损失函数来对齐两个数据域,在多个 DA 基准测试中实现了最先进的性能表现,并且优于需要大量源数据的传统 DA 方法。
Apr, 2022
无源无监督域自适应的不确定性伪标签过滤适应(UPA)方法,通过自适应伪标签选择(APS)模块进行精确过滤,同时引入类感知对比学习(CACL)以降低伪标签噪声的记忆化,实现与最先进的方法相当的竞争性能。
Mar, 2024
本文提出了一种基于伪源域的方法,通过生成和扩充伪源域,引入四种新的基于伪标签的策略 loss 进行分布对齐,并在伪源域和剩余目标域之间引入一个域对抗损失,以减少分布漂移,从而有效地解决了无监督域自适应的问题。
Sep, 2021