医学领域自适应(Medical Domain Adaptation)部分经典论文汇总

已于 2022-11-18 11:33:03 修改
阅读量1.1k 收藏 4
点赞数 3
分类专栏： Domain Adaptation 文章标签： 划水
于 2022-10-24 19:23:18 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40714949/article/details/127390507
版权
这篇博客汇集了多种使用生成对抗网络（GANs）进行医学影像无监督域适应的研究，包括任务驱动的生成建模、互信息约束、信息瓶颈约束等，应用于X射线图像分割、内窥镜成像等领域，旨在改善跨模态和跨域的医学图像分割性能。
摘要由CSDN通过智能技术生成

只简单找了一小部分

MICCAI

  • [link] [code] [TD-GAN] [18]
    Task Driven Generative Modeling for Unsupervised Domain Adaptation: Application to X-ray Image Segmentation

  • [link] [code] [MI2GAN] [20]
    MI2GAN: Generative Adversarial Network for Medical Image Domain Adaptation Using Mutual Information Constraint

  • [link] [code] [EndoUDA] [21]
    EndoUDA: A Modality Independent Segmentation Approach for Endoscopy Imaging

MIML
  • [link] [code] [SeUDA] [18]
    Semantic-Aware Generative Adversarial Nets for Unsupervised Domain Adaptation in Chest X-Ray Segmentation
TMI
  • [link] [code] [IBGAN] [22]
    Beyond Mutual Information: Generative Adversarial Network for Domain Adaptation Using Information Bottleneck Constraint
CVPR
  • [link] [code] [CSNet] [18]
    Translating and Segmenting Multimodal Medical Volumes With Cycle- and Shape-Consistency Generative Adversarial Network
IJCAI
  • [link] [code] [SSC] [22]
    Enhancing Unsupervised Domain Adaptation via Semantic Similarity Constraint for Medical Image Segmentation
ICIP
  • [link] [code] [21]
    Bridging the GAP Between Outputs: Domain Adaptation for Lung Cancer IHC Segmentation
xiongxyowo
关注
专栏目录
最优传输论文（二十五）：Multi-Source Distilling Domain Adaptation论文原理
lyy的博客
08-28 745
文章目录前言摘要介绍Related WorkProblem Definition多源提取领域自适应总结 前言 文章来自2020年的AAAI 本文是本人迁移学习与最优传输系列论文的第25篇，所有系列论文的相关代码在https://github.com/CtrlZ1/transferLearningAlgorithms，希望各位大佬们不吝点赞，给个Star哦~ 摘要 当有标记的源域和无标记的目标域之间存在域转移时，深度神经网络的性能会下降，这激发了对域自适应的研究。传统的数据分析方法通常假设标记数据是
Multi-Source Domain Adaptation 多源域适应 最新论文集合 
u014546828的博客
12-01 2124
Moment Matching for Multi-Source Domain Adaptation [paper] [github] Multi-source Distilling Domain Adaptation [paper] [github] A Two-Stage Weighting Framework for Multi-Source Domain Adaptation [paper] Multi-source Domai...
Multi-Source Domain Adaptation with Mixture of Experts
xiadimichen14908的博客
06-26 1288
Motivation 本文出发点还是荣multi-source domain adaptation出发，如何利用多个source domain的知识，来更好的预测target domain. 还是从target的分布可以用source distribution的加权来接近。 作者对domain之间的relationship建模提出了mixture-of-expert(MoE)的方法， 将不同的source domain和target domain投影到不同的子空间，而不是将所有的domain投影到同一个.
Structure-Preserved Multi-Source Domain Adaptation_notebook
白菜的博客
03-23 760
we aim to preserve the whole structure from source domains and transfer it to serve the task on the target domain. The source and target data are put together for clustering,which simultaneously explores the structures of the source and target domains. The
Multisource Domain Adaptation and Its Application to Early Detection of Fatigue（阅读笔记）
weixin_41652829的博客
05-20 427
CP-MDA（Conditional-probability based multi-source domain adaptation） 方法描述：已知源域和目标域，其中源域数据的特征和标签已知，目标域中数据特征已知，极少数数据标签已知（这里我觉得就算半个数据标签已知，就是semi-supervised）。现在将源域中数据分成若干子源域（我这里有个疑问是关于如何分堆，或者是说每两个子源域之间有没有共同的样本，或者说每个子源域之间有交集，但是从后面作者的叙述过程中，他声称CP-MDA中考虑到了各个子源域之间的
2021-域自适应-医学图像分析-Domain Adaptation for Medical Image Analysis
09-21
"Domain Adaptation for Medical Image Analysis: A Survey" Domain Adaptation（领域适应）是机器学习领域中的一种技术，旨在解决源域和目标域之间的分布差异问题。近年来，领域适应在医学图像分析领域引起了广泛...
Domain Adaptation for Medical Image Analysis A Survey.zip
09-23
"Domain Adaptation for Medical Image Analysis A Survey"这篇论文深入探讨了如何通过领域适应技术来解决这一挑战。 领域适应（Domain Adaptation）是一种机器学习策略，旨在利用源领域的有标签数据和目标领域的无...
Domain Adaptation for Medical Image Analysis A Survey.pdf
09-25
为了解决这一挑战，领域适应（domain adaptation）方法在近年来受到了广泛的关注。 本文旨在综述医学图像分析中领域适应方法的最新进展。首先，我们阐述了引入领域适应技术来应对医学图像分析中领域异质性问题的...
论文解读：Synergistic Image and Feature Adaptation: Towards Cross-Modality Domain Adaptation for Medical
qq_35209222的博客
03-10 2124
论文解读：Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consistent Domain Adaptation论文解读：Taking A Closer Look at Domain Shift:Category-level Adversaries for Semantics Consis...
【Transfer Learning】Adversarial Discriminative Domain Adaptation
PRIS-SCMonkey的博客
07-01 2427
Adversarial Discriminative Domain Adaptation这篇论文正式发表于2017的CVPR，但在2017年的ICLR的Workshop中就已经展露了头角，主要详细的讨论了在Domain Adaptation（即DA领域）中将生成对抗的想法如何更好的融入进来， 实现1+1>2的效果。按照惯例，我们先来看一下写这篇论文的大佬们和他们所属的机构。 一作：Eric...
2020年，多源域适应（域迁移） MDA最新方法总结综述
热门推荐
m0_37192554的博客
03-03 1万+
2020年，多源域适应MDA最新方法总结综述 Multi-source Domain Adaptation in the Deep Learning Era:A Systematic Survey（2020） https://arxiv.org/pdf/2002.12169.pdf Most methods em-ploy shared feature extractors to learn do...
【域适应论文八】2022 Transferable feature filtration network for multi-sourcedomain adaptation.
最新发布
m0_60231311的博客
09-16 216
现有的基于对抗性的域自适应方法通过欺骗鉴别器来实现域分布的混淆和表征的跨域对齐。然而，传统的方法忽略了不同特征之间可转移性的区别，导致不可转移的域变化特征，例如从背景中提取的特征，也被迫在域之间对齐。为此，本文提出了一种特征过滤机制，并设计了相应的神经网络，实现了基于特征可转移性的选择性特征对齐;这被称为可转移特征过滤网络(TFFN)。本文构建了一个可转移特征学习框架，该框架包含两个子过程:过滤，其中基于注意机制的过滤网络在额外的监督下自动提取可转移特征;
领域自适应(Domain Adaptation)和多源领域自适应(Multi-source Domain Adaptation)
lihe的博客
03-26 1万+
转载于https://zhuanlan.zhihu.com/p/50710267 《迁移学习》: 领域自适应(Domain Adaptation)的理论分析小蚂蚁曹凯​中国科学院大学 数学与系统科学研究院博士在读774 人赞同了该文章领域自适应即Domain Adaptation是迁移学习中很重要的一部分内容，目的是把分布不同的源域和目标域的数据，映射到一个特征空间中，使其在该空间中的距离尽可能近。于是在特征空间中对source domain训练的目标函数，就可以迁移到target domain上，提高ta
最优传输论文（十）：Domain-attention Conditional Wasserstein Distance for Multi-source Domain Adaptation论文原理
lyy的博客
07-01 607
目录前言简要介绍INTRODUCTIONRELATED STUDIESDomain AdaptationOptimal TransportMETHODOLOGYProblem DefinitionThe Wasserstein DistanceConditional Wasserstein DistanceDomain-attention Conditional Wasserstein DistanceComplexity AnalysisEXPERIMENTData SetsBaseline Method
论文解读《Unsupervised Multi-Target Domain Adaptation for Acoustic Scene Classification》
qq_46031969的博客
03-17 506
众所周知，训练(源)和测试(目标)数据分布之间的不匹配将显著降低声场景分类(ASC)系统的性能。为了解决这一问题，域适应(domain adaptation， DA)是一种解决方案，许多无监督的域适应方法被提出。这些方法侧重于单源域到单目标域的场景。然而，我们将面临测试数据来自多个目标域的问题。这个问题可以通过为每个目标域生成一个模型来解决，但是这个解决方案成本太高。本文提出了一种新的无监督多目标域适应(MTDA)方法，该方法可以同时适应多个目标域，并利用了多个域之间的潜在关系。
最优传输论文（五十七）：Domain Attention Consistency for Multi-Source Domain Adaptation论文原理
lyy的博客
11-19 786
文章目录前言摘要1 Introduction2 Related Work3 Methodology3.1 Problem Formulation3.2 Domain Attention Consistency3.3 Discriminative Feature Learning3.4 Training4 Experiments4.1 Experimental Setting总结代码 前言 文章来自2021年的BMVC 本文是本人领域自适应与最优传输系列论文的第57篇，所有系列论文的相关代码在https:
【论文总结】 Multi-source Domain Adaptation (持续更新)
weixin_44563093的博客
10-27 1267
Paper notes for Multi-source Domain Adaptation
[论文速览]：Multi-source Domain Adaptation for Semantic Segmentation
u014546828的博客
12-02 1507
Multi-source Domain Adaptation for Semantic Segmentation [NeurIPS 2019] [2020: MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation] [github] 目录 Multi-source Domain Adaptation for Semantic Segmentation Abstract Problem Se
论文阅读 3 | Few-shot Domain Adaptation by Causal Mechanism Transfer
qq_44924407的博客
08-22 904
通过因果机制转移进行的少样本域适应研究
利用先验知识提升无监督领域自适应性能
这篇论文的核心贡献在于提出了一种新的无监督领域自适应方法，通过引入和利用先验知识来弥补目标领域标注数据不足的问题，为深度学习在实际应用中的迁移学习提供了新的视角。未来的研究可能会围绕如何更好地集成不同...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值