自然图像与医学图像分类的领域适应技术
计算机视觉与模式识别
2025-08-29 v1
摘要
领域适应（DA）技术在机器学习中具有潜力，通过利用源领域的信息来缓解训练集与测试集之间的分布差异。在图像分类任务中，DA 的大多数进展都基于自然图像，而非医学数据，后者处理难度更大。此外，对于自然图像而言，使用主流数据集也可能导致性能偏差。{本研究旨在更好地理解 DA 对自然图像和医学图像的益处，因而对五个自然图像数据集和八个医学数据集（涵盖各种情景，如分布外、动态数据流和有限训练样本）进行 557 项模拟研究，使用七种广泛使用的图像分类 DA 技术。}我们的实验结果详尽，揭示了这些技术在性能和医学应用方面的表现。值得注意的是，Deep Subdomain Adaptation Network（DSAN）算法表现突出，该算法在使用 ResNet50 时在新冠肺炎数据集上实现了可行的分类准确率（91.2%），并在动态数据流 DA 场景中相对于基线实现了重要的准确率提升（+6.7%）。我们的结果还表明，DSAN 在新冠肺炎和皮肤癌数据集上的可解释性表现突出。这些结果有助于理解 DA 技术，为有效地将模型适配到医学数据提供宝贵的见解。
引用
@article{arxiv.2508.20537,
title = {Domain Adaptation Techniques for Natural and Medical Image Classification},
author = {Ahmad Chaddad and Yihang Wu and Reem Kateb and Christian Desrosiers},
journal= {arXiv preprint arXiv:2508.20537},
year = {2025}
}
备注
Accepted in Information Sciences