自域适应网络
计算机视觉与模式识别
2020-07-08 v1 机器学习
图像与视频处理
摘要
域偏移是在临床实践中部署深度网络的一个主要问题。当（目标）图像与其（源）训练数据的获取方式不同时，网络性能会显著下降。由于缺乏目标标签数据，大多数工作聚焦于无监督域适应（UDA）。当前的 UDA 方法需要源数据和目标数据来训练执行图像翻译（协调化）或学习域不变特征的模型。然而，为每个目标域训练模型耗时且计算昂贵，在目标域数据稀缺或因数据隐私源数据不可用时甚至不可行。本文提出一种新颖的自域适应网络（SDA-Net），它能在测试阶段快速适应单个测试对象，无需使用额外数据或训练 UDA 模型。SDA-Net 由适配器、任务模型和自编码器三部分组成。后两者在带标签的源图像上离线预训练。任务模型执行合成、分割或分类等任务，这些任务可能受域偏移问题影响。在测试阶段，训练适配器以变换输入测试图像和特征，从而减小由自编码器度量的域偏移，进而实现域适应。我们在不同 OCT 扫描仪的视网膜层分割，以及来自不同 MRI 扫描仪且具不同成像参数的 T1 到 T2 合成上验证了我们的方法。结果表明，我们的 SDA-Net 在测试阶段仅用单个测试对象并经过短时间的自我适应，即可取得显著改进。
引用
@article{arxiv.2007.03162,
title = {Self domain adapted network},
author = {Yufan He and Aaron Carass and Lianrui Zuo and Blake E. Dewey and Jerry L. Prince},
journal= {arXiv preprint arXiv:2007.03162},
year = {2020}
}
备注
early accept in miccai2020