测试时无监督域适应
图像与视频处理
2020-10-06 v1 计算机视觉与模式识别
摘要
在公开医学影像数据集（源域）上训练的卷积神经网络很少能泛化到不同扫描仪或采集协议（目标域）。这催生了域适应这一活跃领域。部分方法需要来自目标域的标注数据，另一些则采用无监督域适应（UDA）方法。评估 UDA 方法在于衡量模型对目标域中未见过数据的泛化能力。在本文中，我们认为这不如直接对测试集进行适应来得有用。因此我们提出一种评估框架，在其中对每位受试者分别执行测试时 UDA。我们表明，从目标域适应于特定目标受试者的模型，优于已见过更多目标域数据但未见过该特定目标受试者的域适应方法。该结果支持了如下论点：无监督域适应应在测试时使用，即便仅使用单个目标域受试者。
引用
@article{arxiv.2010.01926,
title = {Test-time Unsupervised Domain Adaptation},
author = {Thomas Varsavsky and Mauricio Orbes-Arteaga and Carole H. Sudre and Mark S. Graham and Parashkev Nachev and M. Jorge Cardoso},
journal= {arXiv preprint arXiv:2010.01926},
year = {2020}
}
备注
Accepted at MICCAI 2020