CVPRApr, 2024

无源领域自适应散病理学弱监督目标定位模型

PDF
TL;DR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。
deep learningdigital pathologyweakly supervised object localizationsource-free domain adaptationhistology datasets
发现论文，激发创造
  • 弱监督目标定位与域自适应

    本文采用领域适应任务的视角，提出了一种 DA-WSOL 流程，旨在通过目标采样策略、多领域适应本地化损失函数和 Universum 正则化等方法来解决 WSOL 中存在的激活问题，进而提高弱监督对象定位的表现。实验表明，该流程在多个基准测试上优于现有技术，可通过 https://github.com/zh460045050/DA-WSOL_CVPR2022 下载到源代码。

    Mar, 2022

  • 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

    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.

    Jul, 2023

  • 泛化的零样本域自适应

    本文提出了一种广义源自由域自适应（G-SFDA）的新域自适应范例，其中仅在自适应期间访问当前未标记的目标数据，该方法基于局部结构聚类（LSC）和稀疏域注意力（SDA）以保持源信息的同时为不同领域激活不同的特征通道。实验表明，本文所提出的方法的目标表现与现有域自适应（DA）和源自由域自适应（SFDA）方法相当或更好，并在 VisDA 上实现了最先进的性能（85.4％）。

    Aug, 2021

  • 透过文本到图像扩散实现跨领域：一种无源领域自适应方法

    提出了一种用于 Source-Free Domain Adaptation 的新框架，使用在目标领域样本上训练的文本到图像扩散模型生成源数据，并使用 Domain Adaptation 技术将生成的源数据与目标领域数据对齐，从而显著提高目标领域模型的性能。

    Oct, 2023

  • C-SFDA: 一种基于课程学习的自我训练框架，用于高效的无源域自适应

    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

  • 通过样本原型锚定特征对齐和对比学习进行无源域适应的医学图像分割

    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

  • 领域适应学习：改进损失函数组合的组织学图像无监督适应

    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

  • 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

  • 基于分布估计的无源领域自适应

    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

  • 无源领域自适应的一致性正则化

    通过一致性正则化框架、软伪标签、基于采样的伪标签选择策略和全局导向的校准方法，本文提出了一种更具泛化能力的无源域适应方法，在目标训练集和测试集上同时提高模型性能，实现了在多个无源域适应基准上的最先进性能，并展示在未知测试集上的鲁棒性。

    Aug, 2023