基于由粗到细自监督的息肉分割模型无源域适应

无监督域适应（UDA）在过去十年中引起了大量关注，但难以应用于实际场景。考虑到隐私保护问题和安全顾虑，本文研究源自由数据域适应（SFDA）这一实际问题，其消除对带标注源数据的依赖。当前 SFDA 方法侧重于从源训练模型中提取域知识，却忽视了目标域的内在结构。此外，它们通常在目标域中利用伪标签进行自训练，但受困于 notorious 的错误累积问题。为解决这些问题，我们提出一种新的 SFDA 框架，称为区域到像素适应网络（RPANet），其通过由粗到细的自监督学习区域级和像素级判别性表示。所提 RPANet 包含两个模块：前景感知对比学习（FCL）和置信度校准伪标注（CCPL），它们分别明确解决“如何区分”和“如何细化”的关键挑战。具体而言，FCL 在区域级引入监督对比学习范式，以对比不同目标图像间不同区域质心，高效利用所有伪标签同时对噪声样本具有鲁棒性。CCPL 设计了一种新颖的融合策略，通过融合两个不同目标预测来减轻伪标签的过度自信问题，且不引入任何额外网络模块。在三个跨域息肉分割任务上的大量实验表明，RPANet 在无法访问源数据的情况下显著优于最先进的 SFDA 和 UDA 方法，揭示了 SFDA 在医学应用中的潜力。