基于像素对齐与自训练的语义分割无监督域适应
计算机视觉与模式识别
2021-09-30 v1
摘要
本文提出了一种基于像素对齐与自训练的无监督跨模态域适应方法。像素对齐将 ceT1 扫描转换为 hrT2 模态，有助于减少训练分割模型中的域偏移。自训练调整分割网络的决策边界以拟合 hrT2 扫描的分布。实验结果表明，PAST 显著优于非 UDA 基线，并在 CrossMoDA 验证阶段排行榜上以 0.8395 的平均 Dice 得分获得第二名。
引用
@article{arxiv.2109.14219,
title = {Unsupervised Domain Adaptation in Semantic Segmentation Based on Pixel Alignment and Self-Training},
author = {Hexin Dong and Fei Yu and Jie Zhao and Bin Dong and Li Zhang},
journal= {arXiv preprint arXiv:2109.14219},
year = {2021}
}
备注
6 pages,3 figures,MICCAI 2021 Cross-Modality Domain Adaptation for Medical Image Segmentation Challenge