可迁移什么：面向内镜病灶分割的无监督域适应
计算机视觉与模式识别
2020-04-27 v1 机器学习
图像与视频处理
摘要
无监督域适应在语义分割上已引起越来越多的研究关注。然而，1）由于同一病灶在不同数据集间外观多样，大多数现有模型无法直接应用于医学图像的病灶迁移；2）对全部语义表示给予同等关注而非忽略无关知识，导致不可迁移知识的负迁移。为应对这些挑战，我们提出了一种新的无监督语义迁移模型，包含用于内镜病灶分割的两个互补模块（即 T_D 与 T_F），可交替确定在标注源病灶数据集（如胃镜）与未标注目标疾病数据集（如肠镜）之间于何处及如何探索可迁移的域不变知识。具体而言，T_D 聚焦于通过残差可迁移性感知瓶颈在何处迁移医学病灶的可迁移视觉信息，同时忽略不可迁移的视觉表征。此外，T_F 强调如何增强各类病灶的可迁移语义特征并自动忽略不可迁移表示，从而探索域不变知识并反过来提升 T_D 的性能。最终，在医学内镜数据集及多个非医学公开数据集上的理论分析与大量实验充分证明了我们所提模型的优越性。
引用
@article{arxiv.2004.11500,
title = {What Can Be Transferred: Unsupervised Domain Adaptation for Endoscopic Lesions Segmentation},
author = {Jiahua Dong and Yang Cong and Gan Sun and Bineng Zhong and Xiaowei Xu},
journal= {arXiv preprint arXiv:2004.11500},
year = {2020}
}
备注
This paper is accepted by IEEE Conference on Computer Vision and Pattern Recognition 2020 (CVPR 2020)