通过在线自监督域适应弥合高内涵成像中的泛化鸿沟
计算机视觉与模式识别
2023-11-22 v1
摘要
高内涵成像（HCI）在现代药物发现和开发流程中发挥着至关重要的作用，可支撑从苗头化合物识别到候选药物表征的各个阶段。将这些数据集应用于机器学习模型可能颇具挑战，因为它们通常由多个批次组成，受到实验变异的影响，尤其是在使用了不同成像设备的情况下。此外，随着新数据的到来，最好能以在线方式对其进行分析。为克服这一点，我们提出 CODA，一种在线自监督域适应方法。CODA 将分类器的职责划分为一个通用特征提取器和一个任务特定模型。我们利用跨批次自监督来使特征提取器的权重适应新域，同时保持任务特定模型不变。我们的结果表明，该策略显著减小了泛化鸿沟，在应用于来自不同实验室、使用不同显微镜的数据时，实现了高达 300% 的提升。CODA 可应用于不同规模的新的、无标签的域外数据源，从单个培养板到多个实验批次。
引用
@article{arxiv.2311.12623,
title = {Bridging Generalization Gaps in High Content Imaging Through Online Self-Supervised Domain Adaptation},
author = {Johan Fredin Haslum and Christos Matsoukas and Karl-Johan Leuchowius and Kevin Smith},
journal= {arXiv preprint arXiv:2311.12623},
year = {2023}
}
备注
IEEE/CVF Winter Conference on Applications of Computer Vision (WACV 2024)