通过不确定性感知自适应蒸馏的多源免源域适应
计算机视觉与模式识别
2025-11-20 v2
摘要
免源域适应（SFDA）在无需访问数据的情况下缓解了来自不同领域数据的领域差异，以保护数据隐私。然而，现有的常规 SFDA 方法在医疗场景中面临固有的局限性，因为医疗数据通常使用各种设备从多个机构收集。为解决此问题，我们提出了一种简单而有效的方法，命名为不确定性感知自适应蒸馏（UAD），用于多源免源无监督域适应（MSFDA）设置。UAD 旨在从 (i) 模型级别执行良好校准的知识蒸馏，以提供协调且可靠的基础模型初始化，以及 (ii) 通过高质量伪标签引导的模型适应在实例级别进行，从而获得高性能的目标域模型。为了验证其普遍适用性，我们在两个多中心数据集的两个基于图像的诊断基准上评估了 UAD，与现有工作相比，我们的方法显示出显著的性能提升。代码可在 https://github.com/YXSong000/UAD 获取。
引用
@article{arxiv.2402.06213,
title = {Multi-source-free Domain Adaptation via Uncertainty-aware Adaptive Distillation},
author = {Yaxuan Song and Jianan Fan and Dongnan Liu and Weidong Cai},
journal= {arXiv preprint arXiv:2402.06213},
year = {2025}
}
备注
Accepted by ISBI 2024. Code available at https://github.com/YXSong000/UAD