面向少样本无监督域适应的谱对抗混合方法
图像与视频处理
2023-09-06 v1 计算机视觉与模式识别
机器学习
摘要
域偏移是临床应用中的常见问题，其中训练图像（源域）和测试图像（目标域）分布不同。已有研究提出无监督域适应（UDA）技术，将源域训练的模型适应到目标域。然而，这些方法需要大量目标域图像用于模型训练。本文提出一种新颖的少样本无监督域适应（FSUDA）方法，该方法仅使用有限数量的未标记目标域样本进行训练。为完成这一挑战性任务，首先引入谱敏感度图以刻画模型在频域中的泛化弱点。随后，我们开发了敏感度引导的谱对抗混合（SAMix）方法，生成目标风格图像以有效抑制模型敏感度，从而提升模型在目标域的泛化能力。我们在多个任务上使用若干公开数据集对所提方法进行了演示并严格评估了其性能。
引用
@article{arxiv.2309.01207,
title = {Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation},
author = {Jiajin Zhang and Hanqing Chao and Amit Dhurandhar and Pin-Yu Chen and Ali Tajer and Yangyang Xu and Pingkun Yan},
journal= {arXiv preprint arXiv:2309.01207},
year = {2023}
}
备注
Accepted by MICCAI 2023