NeuroADDA：连接组学中的主动判别式域适应
计算机视觉与模式识别
2025-03-11 v1
摘要
从头训练分割模型一直是处理新电子显微镜连接组学数据集的标准方法。然而，在标注预算受限的情况下，利用现有数据集的预训练模型可以提高效率和性能。在本研究中，我们通过分析跨越不同物种的六个主要数据集，探讨了连接组学中的域适应问题。我们表明，神经元图像分布之间的最大均值差异（MMD）可作为可迁移性的可靠指标，并用于识别迁移学习的最佳源域。在此基础上，我们提出了 NeuroADDA，一种将最优域选择与无源主动学习相结合的方法，以有效地将预训练骨干网络适应到新数据集。NeuroADDA 在不同数据集和微调样本量上始终优于从头训练，在 个样本时观察到最大增益，信息变异减少了 25-67%。最后，我们表明，对来自多个物种的神经元图像在学习特征空间中的分布差异分析揭示了这些域“距离”与这些物种间的系统发育距离相关。
引用
@article{arxiv.2503.06196,
title = {NeuroADDA: Active Discriminative Domain Adaptation in Connectomic},
author = {Shashata Sawmya and Thomas L. Athey and Gwyneth Liu and Nir Shavit},
journal= {arXiv preprint arXiv:2503.06196},
year = {2025}
}
备注
8 pages, 3 figures, 3 tables