Unsupervised Domain Adaptive Fundus Image Segmentation with Category-Level Regularization

摘要

1. 本文提出了一种基于类别级正则化的无监督领域自适应框架，从三个角度对类别分布进行正则化。具体来说，对于域间类别正则化，提出了一种自适应原型对齐模块来对齐源域和目标域中相同类别的特征原型。
2. 对于域内类别正则化，我们分别为源域和目标域定制了正则化技术。
3. 在源域中，提出了原型引导的判别损失，通过增强类内紧致性和类间可分性来学习更多的判别特征表示，并作为对传统监督损失的补充
4. 在目标域中，提出了一种增强一致性类别正则化损失，以迫使模型对增强/未增强的目标图像产生一致的预测，这鼓励语义相似的区域被赋予相同的标签

代码链接

方法

Inter-domain Category Regularization

目标域原型

引入了一个不确定性引导的噪声感知模块来过滤那些不可靠的伪标签。基于蒙特卡罗丢弃方法来估计伪标签的不确定性。基于多个模型预测的标准偏差来获得每个像素的不确定性估计。然后，我们通过设置不确定性阈值ξ来过滤掉那些不可靠像素的伪标签，以避免它们对原型计算的影响。以类似的方式计算源域的对象原型fsobj 。然后，域间类别正则化损失可以公式化为：

Source Domain Category Regularization

原型引导判别损失公式化为：

Target Domain Category Regularization

pert是扰动

总损失

分割损失

判别器损失：