STRUDEL：基于跨域不确定性依赖标签自精炼的自训练方法
计算机视觉与模式识别
2021-09-02 v2
摘要
我们提出一种用于白质高信号（WMH）分割的无监督域适应（UDA）方法，其采用具有不确定性依赖标签精炼的自训练（STRUDEL）。自训练近来作为一种高效的 UDA 方法被引入，其基于自生成的伪标签。然而，伪标签可能非常嘈杂，从而损害模型性能。我们提出预测伪标签的不确定性，并通过不确定性引导的损失函数将其整合到训练过程中，以突出高确定性的标签。STRUDEL 进一步通过在与 WMH 分割表现出高鲁棒性的已有方法的分割输出融入伪标签生成中得到改进。在我们的实验中，我们使用标准 U-Net 和具有更大感受野的改进网络评估 STRUDEL。我们在跨数据集的 WMH 分割结果证明了 STRUDEL 相对于标准自训练的显著提升。
引用
@article{arxiv.2104.11596,
title = {STRUDEL: Self-Training with Uncertainty Dependent Label Refinement across Domains},
author = {Fabian Gröger and Anne-Marie Rickmann and Christian Wachinger},
journal= {arXiv preprint arXiv:2104.11596},
year = {2021}
}
备注
accepted at Machine Learning in Medical Imaging (MLMI 2021)