基于黑盒源模型的分割无监督域适应
计算机视觉与模式识别
2022-08-17 v1 人工智能
机器学习
图像与视频处理
信号处理
摘要
无监督域适应（UDA）已被广泛用于将有标签的源域知识迁移到无标签的目标域，以应对新域中标注的困难。传统方案的训练通常依赖源域和目标域数据的同时存在。然而，源域中大规模且良标注数据的隐私以及训练好的模型参数可能成为跨中心/域协作的主要顾虑。在这项工作中，为此我们提出了一种实用的 UDA 解决方案，用于仅使用在源域训练的黑盒分割模型（而非原始源数据或白盒源模型）进行分割。具体而言，我们借助具有指数混合衰减（EMD）的知识蒸馏方案来逐步学习目标特定表示。此外，进一步应用无监督熵最小化以正则化目标域置信度。我们在 BraTS 2018 数据库上评估了我们的框架，取得了与白盒源模型适应方法相当的性能。
引用
@article{arxiv.2208.07769,
title = {Unsupervised Domain Adaptation for Segmentation with Black-box Source Model},
author = {Xiaofeng Liu and Chaehwa Yoo and Fangxu Xing and C. -C. Jay Kuo and Georges El Fakhri and Jonghye Woo},
journal= {arXiv preprint arXiv:2208.07769},
year = {2022}
}
备注
SPIE Medical Imaging 2022: Image Processing