![](https://img-blog.csdnimg.cn/20190918135101160.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
域自适应/域泛化
文章平均质量分 87
分享论文笔记
向向2024
计算机视觉、多模态学习、大语言模型、医学图像分析、Diffusion 模型等,带你天天读论文
展开
-
【Mamba】DGMamba:第一个基于状态空间模型的领域泛化框架
实验结果表明,DGMamba在多个DG基准数据集上都取得了显著的性能提升,证明了其在解决分布偏移问题上的有效性和优越性。未来的工作可能会探索如何利用特征提示或领域提示来进一步指导基于SSM的模型学习更强大的表示,以及在高结构任务中深入研究Mamba架构以解决分布偏移问题。:提出了一个新的DG框架,名为DGMamba,它在保持全局接收场和高效线性复杂性的同时,具有很强的泛化能力,能够适应未见过的领域。:在四个常用的DG基准数据集上进行了广泛的实验,证明了DGMamba在性能上超越了现有的最先进模型。原创 2024-04-13 11:49:24 · 113 阅读 · 0 评论 -
【ISBI2024】Language Grounded Single Source Domain Generalization in Medical Image Segmentation
本文提出了一种显式利用文本信息的方法,通过结合对比学习机制和文本编码器特征来学习更加鲁棒的特征表示。该方法通过文本引导的对比特征对齐技术,在跨模态、跨序列和跨站点等多种场景中评估了其有效性,并与现有文献中的方法进行了性能比较。本文通过结合文本信息和视觉特征,有效地解决了医学图像分割中的单源领域泛化问题,提高了分割的鲁棒性。文本引导的对比特征对齐方法在包括跨模态、跨序列和跨站点设置在内的具有挑战性的临床场景中表现出显著的改进。原创 2024-04-07 10:04:41 · 280 阅读 · 1 评论 -
【2024综述】域泛化-Domain Generalization for Medical Image Analysis
在医学图像分析领域,域泛化(Domain Generalization, DG)是一个重要的研究方向,旨在提高模型在未见过的域上的泛化能力。这一挑战源于不同医院、扫描仪厂商、成像协议和患者群体等导致的数据分布差异[3]。近年来,随着深度学习技术的发展,尽管在医学图像分割等领域取得了专家级的准确率,但这些模型在临床现实环境中应用时往往会出现泛化能力下降和准确性降低的问题[3]。为了解决这一问题,研究者提出了多种方法。原创 2024-04-05 10:43:41 · 2357 阅读 · 1 评论 -
【2024】VLM-CPL:无注释的病理图像分类!来自视觉语言模型的共识伪标签
通过利用预训练的视觉语言模型,以无人工注释的方式进行病理图像分类,通过众包伪标签技术获得伪标签并通过一致性筛选以优化准确性。原创 2024-03-27 08:04:50 · 679 阅读 · 1 评论 -
[CVPR2024] D3T: 跨越RGB-热成像领域差距的独特双域教师用于领域自适应目标检测
目标检测的领域适应通常涉及将知识从一个可见域迁移到另一个可见域。然而,从**可见域适应到热成像域的研究很少,因为可见域和热成像域之间的域差距远大于预期**,传统的领域适应方法无法成功促进这种情形下的学习。为了克服这个挑战,我们**提出了一种独特的双域教师(D3T)框架,为每个域采用不同的训练范式**。具体来说,我们***分别隔离源训练集和目标训练集来构建双教师,并依次将指数移动平均部署到学生模型上,以实现每个域的个别教师***。该框架进一步*融入了双教师之间的曲折学习方法,促使在训练过程中可见域向热成像域的原创 2024-03-17 12:03:19 · 1026 阅读 · 0 评论