通过在未标记的目标域中应用良好的模型,通过对标记的源域的监督应用了良好的模型,已经通过对未标记的目标域应用了良好的模型,对无监督的域适应(UDA)进行了大量探索,以减轻源和目标域之间的域变化。然而,最近的文献表明,在存在重大领域变化的情况下,性能仍然远非令人满意。但是,由于绩效的实质性增长,划定一些目标样本通常是易于管理的,尤其是值得的。受此启发的启发,我们旨在开发半监督域的适应性(SSDA)进行医学图像分割,这在很大程度上没有被置于脑海中。因此,除了以统一的方式使用未标记的目标数据外,我们建议利用标记的源和目标域数据。具体而言,我们提出了一种新型的不对称共同训练(ACT)框架,以整合这些子集并避免源域数据的统治。遵循分歧和纠纷策略,我们将SSDA的标签监督分为两个不对称的子任务,包括半监督学习(SSL)和UDA,并利用两个细分市场的不同知识来考虑在两个部分之间的区别,以考虑到不同的知识。来源和目标标签监督。然后,在两个模块中学习的知识与ACT自适应地整合,通过基于置信度的伪标签进行迭代教学。此外,伪标签噪声与指数混合衰减方案可以很好地控制,以进行平滑传播。使用BRATS18数据库进行跨模式脑肿瘤MRI分割任务的实验表明,即使标记有限的目标样本,ACT也对UDA和最先进的SSDA方法产生了明显的改进,并接近了受监督的联合训练的“上限” 。
translated by 谷歌翻译