SSTD：使用单点监督进行条纹状空间目标检测
原文中文，约600字，阅读约需2分钟。发表于：。介绍了应用于条状空间目标检测 (SSTD) 的创新数据集 AstroStripeSet，以及一种新的伪标签演化教师 - 学生框架，通过改进伪标签的质量，不断提高分割性能，并引入适用于条状目标特征的新损失函数 GeoDice。实验表明，该方法在所有评估指标上与全监督方法表现相当，创立了新的最优结果基准 (SOTA benchmark)。
本文提出了一种新的方法，使用测试时增强（TTA）将自训练（ST）与主动学习（AL）相结合，用于深度学习任务。实验结果表明，该方法在MRI胎体和胎盘分割任务上有效，提高了性能。然而，对于单序列胎体分割，AL并不比随机选择更好。在胎体分割序列转移方面，将AL与ST结合可以获得较好的结果。
