基于类别平衡平均教师的无源域自适应眼底图像分割
计算机视觉与模式识别
2023-07-20 v1
摘要
本文研究无源域自适应眼底图像分割，旨在利用无标签图像将预训练的眼底分割模型适配到目标域。这是一项具有挑战性的任务，因为仅使用无标签数据来适配模型风险极高。大多数现有方法主要通过设计技术从模型预测中谨慎生成伪标签，并用伪标签训练模型来应对该任务。尽管常取得正向适配效果，这些方法存在两个主要问题。第一，它们往往相当不稳定——突然出现的错误伪标签可能对模型造成灾难性影响。第二，它们未能考虑眼底图像严重的类别不平衡，其中前景（如视杯）区域通常非常小。本文旨在通过提出类别平衡平均教师(CBMT)模型来解决这两个问题。CBMT提出弱-强增强平均教师学习方案来解决不稳定问题：仅由教师模型从弱增强图像生成伪标签，以训练接收强增强图像作为输入的学生模型。教师模型作为即时训练学生的滑动平均进行更新，该平均可能含有噪声。这防止了教师模型被错误伪标签突然冲击。针对类别不平衡问题，CBMT提出一种新颖的损失校准方法，依据全局统计突出前景类别。实验表明CBMT很好地解决了这两个问题，并在多个基准上优于现有方法。
引用
@article{arxiv.2307.09973,
title = {Source-Free Domain Adaptive Fundus Image Segmentation with Class-Balanced Mean Teacher},
author = {Longxiang Tang and Kai Li and Chunming He and Yulun Zhang and Xiu Li},
journal= {arXiv preprint arXiv:2307.09973},
year = {2023}
}
备注
Accepted by MICCAI 2023