BriefGPT - AI 论文速递
·
医学图像分割的切比雪夫置信度引导无源领域自适应框架
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文提出了一个Chebyshev置信度引导的无源域适应框架，用于解决医学成像场景中领域偏移问题导致伪标签准确度下降的限制。实验证明该框架优于现有最先进的无源域适应方法。
🎯
关键要点
- 提出了一个Chebyshev置信度引导的无源域适应框架。
- 该框架解决了医学成像场景中领域偏移导致的伪标签准确度下降问题。
- 框架能够准确评估伪标签的可靠性并生成自我改进的伪标签用于自我训练。
- 引入了直接去噪和原型去噪两种置信度引导的去噪方法。
- 结合置信度加权模块的教师-学生联合训练方案，有效防止噪声传播，提高伪标签的准确度。
- 大量实验证实了该框架的有效性，优于现有最先进的无源域适应方法。
🏷️
标签
➡️
