在线自监督域自适应弥合高内容成像中的泛化差距
原文中文，约300字，阅读约需1分钟。发表于：。高容量成像技术在现代药物发现和开发中起着重要作用，将机器学习模型应用于这些数据集常常面临各种挑战，我们提出了 CODA，一种在线自我监督领域适应方法，通过交叉批次自我监督来使特征提取器权重适应新域，保持任务特定模型不变，我们的结果表明该策略显著减少了泛化差距，在使用不同显微镜的不同实验室数据上实现了高达 300％的改进，CODA 可应用于不同大小的新领域未标记数据源，从单个培养皿到多个实验批次。
深度学习在医学影像中取得显著性能，但主要关注有监督学习。为解决问题，开发了无监督领域自适应技术，用于从有标签领域转移知识到无标签领域。本文综述了医学影像中最新的深度无监督领域自适应方法，分类为六组，并根据任务进行子分类。讨论了评估不同领域差异的研究中使用的数据集。最后，讨论了新兴领域，并提供了未来研究方向的见解和讨论，总结了调查。
