Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

Detection method of wheat spike improved YOLOv5s based on the attention mechanism.

Frontiers in plant science·2022
Same author

The benefit of bevacizumab therapy in patients with refractory vasogenic edema caused by brain metastasis from lung and colon cancers.

Frontiers in oncology·2022
Same author

Generation of a homozygous TAZ knockout hESCs line by CRISPR/Cas9 system.

Stem cell research·2022
Same author

Two new forest pathogens in <i>Phaeolus</i> (Polyporales, Basidiomycota) on Chinese coniferous trees were confirmed by molecular phylogeny.

Frontiers in microbiology·2022
Same author

STAT3/miR-130b-3p/MBNL1 feedback loop regulated by mTORC1 signaling promotes angiogenesis and tumor growth.

Journal of experimental & clinical cancer research : CR·2022
Same author

Synthesis and antibacterial activity studies <i>in vitro</i> of indirubin-3'-monoximes.

RSC advances·2022

相关实验视频

Updated: Jul 28, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K

超像素导向类级别的无监督域名无监督域名适应性基底图像细分,没有源数据的类级别.

Meng Zhou1, Zhe Xu1, Raymond Kai-Yu Tong1

  • 1Department of Biomedical Engineering, The Chinese University of Hong Kong, Shatin, Hong Kong, China.

Computers in biology and medicine
|June 1, 2023
PubMed
概括

本研究引入了一个超像素引导的类级拒绝自我训练 (SCD) 框架,用于在没有源数据的情况下进行无监督的域调整. 通过使用杂的伪标签,SCD有效地将预训练模型适应新领域,从而提高了细分的准确性.

科学领域:

  • 计算机视觉 计算机视觉
  • 机器学习 机器学习
  • 医学图像分析 医学图像分析

背景情况:

  • 无监督域调整 (UDA) 方法使数据分布在源域和目标域之间保持一致.
  • 传统的UDA需要标记的源数据和未标记的目标数据.
  • 隐私问题往往阻止了源数据的共享,阻碍了经典的UDA.

研究的目的:

  • 开发一种新的框架,使预训练模型适应目标领域,而无需访问原始源数据.
  • 为了应对由于域移动而在目标域上由源模型生成的杂伪标签的挑战.
  • 在隐私敏感场景中实现有效的模型调整.

主要方法:

  • 提出了一个超级像素引导的班级级拒绝自我训练 (SCD) 框架.
  • 实施了适应类意识值,以实现平衡的伪标签生成.
  • 利用面具超像素引导的集群,以增强功能中心体和原型标签无声化.
  • 采用适应式学习方案,用于噪音和正确标记的像素.

主要成果:

  • SCD框架在多站点图像细分方面表现出卓越的表现.
  • SCD框架的每个组成部分都被证明是有效的.
  • 该方法成功地适应了没有源数据的预训练模型,优于现有方法.
关键词:
基金图像细分 基金图像细分没有来源的免费来源.无监督的域名适应

更多相关视频

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

2.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

447

相关实验视频

Last Updated: Jul 28, 2025

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application
05:56

Objectification of Tongue Diagnosis in Traditional Medicine, Data Analysis, and Study Application

Published on: April 14, 2023

2.5K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

447

结论:

  • 拟议的SCD框架提供了一个有效的解决方案,用于在源数据不可用时无监督的域调整.
  • 该方法利用使用新的染技术进行自我训练,以克服领域转移的挑战.
  • 在医疗成像中,SCD为保护隐私的模型适应提供了一个实用的方法.