数字病理图像的自适应域泛化
图像与视频处理
2023-05-10 v1 计算机视觉与模式识别
机器学习
摘要
在基于AI的组织病理学中，域偏移十分常见且已被充分研究。然而，本研究关注染色与扫描仪差异，这并未展现全貌——偏移可能是其他偏移的组合，或是虽不明显但仍损害机器学习模型性能的“隐形”偏移。此外，模型在这些偏移上实现泛化而无需昂贵或稀缺的标注十分重要，尤其在组织病理学领域以及希望大规模部署模型时。因此，需要“响应式”域泛化技术：即在测试时适应域偏移，而非在训练时要求对偏移进行预测或提供偏移样本。我们进行文献综述并引入可在测试时响应域偏移而非提前预测偏移的技术。我们研究了测试时训练，一种通过优化辅助自监督任务在测试时调整模型参数的域泛化技术。
引用
@article{arxiv.2305.05100,
title = {Adaptive Domain Generalization for Digital Pathology Images},
author = {Andrew Walker},
journal= {arXiv preprint arXiv:2305.05100},
year = {2023}
}