面向无标签域持续学习的多尺度特征对齐
计算机视觉与模式识别
2023-02-03 v1 人工智能
摘要
无监督域适应（UDA）方法有助于在没有标注数据的情况下提升深度神经网络在未知域上的性能。尤其在诸如组织病理学等医学学科中，这一点至关重要，因为带有详细标注的大规模数据集十分稀缺。现有UDA方法大多关注从有标签源域到单一无标签目标域的适应，而许多具有长生命周期的真实应用涉及多个目标域。因此，顺序适应多个目标域的能力变得不可或缺。在先前所见域的数据无法存储（例如由于数据保护法规）的情况下，上述任务成为一个极具挑战的持续学习问题。为此，我们提出使用生成式特征驱动的图像重放，并结合一个双重用途判别器，该判别器不仅能生成具有真实特征的可重放图像，还能在域适应过程中促进特征对齐。我们在组织类型分类的三个组织病理学数据集序列上对所提方法进行了广泛评估，取得了最先进（SOTA）的结果。我们给出了详细的消融实验以研究所提方法组件，并展示了我们的持续UDA方法在给定高分辨率组织图像的无监督基于块的分割任务中的可能用例。
引用
@article{arxiv.2302.01287,
title = {Multi-scale Feature Alignment for Continual Learning of Unlabeled Domains},
author = {Kevin Thandiackal and Luigi Piccinelli and Pushpak Pati and Orcun Goksel},
journal= {arXiv preprint arXiv:2302.01287},
year = {2023}
}