CFEA：面向无监督视盘与视杯分割的协同特征集成自适应域适应方法
图像与视频处理
2019-10-18 v1 计算机视觉与模式识别
机器学习
摘要
近年来，深度神经网络在标注良好的数据集上已展现出与认证眼科医生相当甚至更优的性能。然而，视网膜成像设备的多样性带来了一个重大挑战：域偏移，这导致将深度学习模型应用于新的测试域时性能下降。本文提出了一种新颖的无监督域适应框架，称为协同特征集成自适应（CFEA），以有效克服这一挑战。我们提出的 CFEA 是一种交互式范式，通过对抗学习和集成权重，呈现出一种精巧的协同自适应。特别是，我们在训练过程中通过集成权重，同时实现域不变性并维持历史预测的指数移动平均，从而为无标签数据获得更好的预测。无需对目标域的任何样本进行标注，编码器和解码器层中的多重对抗损失引导域不变特征的提取，以混淆域分类器，同时有利于平滑权重的集成。全面的实验结果表明，我们的 CFEA 模型能够克服性能下降，并在从眼底图像中分割视网膜视盘和视杯方面优于最先进的方法。\textit{代码可在 \url{https://github.com/cswin/AWC} 获取。}
引用
@article{arxiv.1910.07638,
title = {CFEA: Collaborative Feature Ensembling Adaptation for Domain Adaptation in Unsupervised Optic Disc and Cup Segmentation},
author = {Peng Liu and Bin Kong and Zhongyu Li and Shaoting Zhang and Ruogu Fang},
journal= {arXiv preprint arXiv:1910.07638},
year = {2019}
}