ConDiSR：用于单域泛化的对比性解缝和风格正则化
计算机视觉与模式识别
2024-11-01 v3
摘要
医学数据常常表现出分布偏移，这会导致使用标准监督学习管道训练的深度学习模型在测试时性能下降。医学数据常与隐私或物流因素相关，这使得单域泛化 (SDG) 成为特别有趣的子领域。现有的解缝方法依赖于分割掩码中嵌入的结构信息，但分类标签不提供此类稠密信息。本工作引入一种新的 SDG 方法，旨在医学图像分类中利用通道级对比解缝。该方法通过基于重建的风格正则化进一步增强，以确保提取不同的风格和结构特征表示。我们在复杂的多中心组织病理图像分类任务上对方法进行评估，与最先进 (SOTA) SDG 基线方法进行比较。结果表明，我们的方法在平均准确率上超过 SOTA 1%，同时表现出更稳定的性能。这一研究突显了在分类任务中探索 SDG 框架的重要性与挑战。代码已公开 available at https://github.com/BioMedIA-MBZUAI/ConDiSR
引用
@article{arxiv.2403.09400,
title = {ConDiSR: Contrastive Disentanglement and Style Regularization for Single Domain Generalization},
author = {Aleksandr Matsun and Numan Saeed and Fadillah Adamsyah Maani and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2403.09400},
year = {2024}
}
备注
A flaw was found in the results acquisition