面向深度卷积网络的多层域适应
计算机视觉与模式识别
2019-09-09 v1
摘要
尽管卷积网络在许多计算机视觉任务中取得了成功，但它们往往需要大量标注数据才能实现泛化。此外，如果网络在训练时未接触过来自某个未见域的相似样本，那么在测试时，对于来自该域的样本，其性能无法得到保证。这阻碍了这些技术在临床环境中的应用，因为临床影像数据稀缺，且数据的域内和域间差异可能很大。我们提出了一种特别适用于深度网络的域适应技术，以缓解对标注数据的这一需求。我们的方法利用梯度反转层和 Squeeze-and-Excite 模块来稳定深度网络的训练。所提出的方法被应用于公开的组织病理学和胸部 X 光数据库，并取得了优于现有最先进网络（无论是否使用域适应）的性能。根据应用的不同，与 (Ganin, 2014) 中引入的 DANN 相比，我们的方法可以将多分类准确率提高 5-20%。
引用
@article{arxiv.1909.02620,
title = {Multi-layer Domain Adaptation for Deep Convolutional Networks},
author = {Ozan Ciga and Jianan Chen and Anne Martel},
journal= {arXiv preprint arXiv:1909.02620},
year = {2019}
}
备注
To be presented on Domain Adaptation and Representation Transfer 2019