面向显微图像的小样本域自适应目标检测

近年来，人们提出了许多域自适应策略，以帮助深度学习模型克服由域偏移带来的挑战。然而，即使是无人监督的域自适应策略仍然需要大量目标数据。医学成像数据集通常具有类别不平衡以及标注和未标注数据稀缺的特点。小样本域自适应目标检测（FSDAOD）旨在应对在标注数据有限的情况下将目标检测器适配到目标域的挑战。现有工作在处理随机选取的目标域图像时存在困难，这些图像可能无法准确代表真实总体，从而导致对小规模验证集的过拟合以及对更大规模测试集的泛化能力差。医学数据集表现出高度的类别不平衡和背景相似性，导致目标域中的误报增加且平均精度均值（mAP）降低。为了克服这些挑战，我们提出了一种用于显微成像的新型 FSDAOD 策略。我们的贡献包括：针对小样本场景的域自适应类别平衡策略；多层实例级域间与域内对齐，以增强不同域间类别实例的相似性；以及在目标检测器中间层应用实例级分类损失，以强制保留跨域正确分类所需的特征。在具有竞争力的基线上进行的广泛实验结果证明了我们方法的有效性，在两个公开的显微数据集上取得了最先进的结果。代码可在 https://github.co/intelligentMachinesLab/few-shot-domain-adaptive-microscopy 获取。