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

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

提出一种名为 UAD 的简单而有效方法，用于医学领域中的多源免监督域适应，通过模型层和实例层的知识蒸馏，实现高性能的目标领域模型，验证了其在两个图像诊断基准数据集上的普适性和显著性能提升。

Feb, 2024

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

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

本文提出了一种 Prompt learning based SFDA (ProSFDA) 的方法用于医疗图像分割，该方法旨在通过显式地将领域差异最小化来改善领域适应的质量，实验结果表明，所提出的方法比其他 SFDA 方法表现更好，甚至与 UDA 方法可比。

Nov, 2022

在医学成像场景中，为了解决领域偏移问题导致伪标签准确度下降的限制，我们提出了一个 Chebyshev 置信度引导的无源域适应框架，准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练，通过引入直接去噪和原型去噪两种置信度引导的去噪方法，以及结合置信度加权模块的教师 - 学生联合训练方案，有效防止噪声传播提高伪标签的准确度。在多样化的领域场景中进行的大量实验证实了我们提出框架的有效性，并证明其优于现有最先进的无源域适应方法。

Oct, 2023

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

医学图像分析中的深度学习技术通常受到源数据和目标数据之间的领域转移问题的困扰。现有的工作主要集中在无监督域自适应（UDA）上，但在实际应用中，隐私问题更为严重。本研究针对源自由无监督域自适应（Source-Free UDA）的挑战，提出了稳定学习（Stable Learning）策略，该策略以权重一致性和熵增加为核心来解决目前 UDA 医学方法所面临的过拟合困境。实验证明了稳定学习的有效性，并进行了大量消融实验。此外，研究团队还将发布包含多种 MSFUDA 方法的代码。

Jul, 2023