面向无源域自适应眼底图像分割的上下文感知伪标签精炼
计算机视觉与模式识别
2023-08-16 v1
摘要
在域适应问题中，由于隐私或知识产权问题，目标客户端可能无法获取源数据。无源无监督域适应（SF-UDA）旨在仅利用源模型和未标记目标数据，使在源端训练的模型适应以对齐目标分布。源模型在目标域上通常产生噪声且上下文不一致的伪标签，即具有相似视觉外观的相邻区域被标注为不同的伪标签。这一观察促使我们利用上下文关系来精炼伪标签。另一观察是，尽管存在域差距，同一类的特征往往形成簇，这意味着上下文关系可容易地从特征距离计算得出。为此，我们提出了一种用于SF-UDA的上下文感知伪标签精炼方法。具体而言，开发了一个上下文相似性学习模块来学习上下文关系。接下来，利用学习到的上下文关系设计伪标签修正。进一步地，我们提出对修正后的伪标签进行校准，以补偿由不准确的上下文关系导致的错误修正。此外，我们采用像素级和类级去噪方案来选择可靠的伪标签用于域适应。在跨域眼底图像上的实验表明，我们的方法取得了最先进的性能。代码可在 https://github.com/xmed-lab/CPR 获取。
引用
@article{arxiv.2308.07731,
title = {Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation},
author = {Zheang Huai and Xinpeng Ding and Yi Li and Xiaomeng Li},
journal= {arXiv preprint arXiv:2308.07731},
year = {2023}
}
备注
Accepted by MICCAI 2023, 11 pages