面向眼底图像分割的鲁棒无源域自适应
计算机视觉与模式识别
2023-10-26 v1
摘要
无监督域自适应 (UDA) 是一种将源域中由带标签训练数据学到的知识迁移到仅含无标签数据的目标域的学习技术。由于医学图像分割通常缺乏带标签训练数据，它具有重要意义。尽管已作出大量努力优化 UDA 技术以提升分割模型在目标域的准确性，鲜有研究关注这些模型在 UDA 下的鲁棒性。在本研究中，我们提出一种用于鲁棒域自适应的两阶段训练策略。在源训练阶段，我们利用对抗样本增强来提升源模型的鲁棒性与泛化能力。在目标训练阶段，我们提出一种新颖的鲁棒伪标签与伪边界 (PLPB) 方法，其有效利用无标签目标数据生成伪标签与伪边界，使模型无需源数据即可自适配。在跨域眼底图像分割上的大量实验结果证实了我们所提方法的有效性与通用性。本研究的源代码公开于 https://github.com/LinGrayy/PLPB。
引用
@article{arxiv.2310.16665,
title = {Robust Source-Free Domain Adaptation for Fundus Image Segmentation},
author = {Lingrui Li and Yanfeng Zhou and Ge Yang},
journal= {arXiv preprint arXiv:2310.16665},
year = {2023}
}
备注
10 pages, WACV2024