基于类别感知特征对齐与伪标签的域自适应细胞核实例分割与分类
计算机视觉与模式识别
2022-07-05 v1
摘要
无监督域自适应（UDA）方法已被广泛用于提升模型在通用计算机视觉中的适应能力。然而，不同于自然图像，组织病理学图像中不同类别的细胞核之间存在巨大的语义鸿沟。如何构建通用的UDA模型以跨不同数据集精确分割或分类细胞核实例，仍未被充分探索。在本工作中，我们提出一种新颖的深度神经网络，即类别感知特征对齐与伪标签网络（CAPL-Net），用于UDA细胞核实例分割与分类。具体而言，我们首先提出一个带有动态可学习权衡权重的类别级特征对齐模块。其次，我们提出基于细胞核级原型特征、利用伪标签通过自监督训练来提升模型在目标数据上性能的方法。在跨域细胞核实例分割与分类任务上的综合实验表明，我们的方法以显著优势优于最先进（SOTA）的UDA方法。
引用
@article{arxiv.2207.01233,
title = {Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling},
author = {Canran Li and Dongnan Liu and Haoran Li and Zheng Zhang and Guangming Lu and Xiaojun Chang and Weidong Cai},
journal= {arXiv preprint arXiv:2207.01233},
year = {2022}
}
备注
Early accepted by MICCAI 2022