- 博客(62)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Grad-CL: Source Free Domain Adaptation with Gradient Guided Feature Disalignment
Grad-CL是一种新型源自由域适应框架，用于提升眼底图像分割性能。该方法通过梯度引导的伪标签细化模块和基于余弦相似性的对比学习策略，在无需原始源数据的情况下，显著改善了视盘和视杯的分割精度。实验表明，该框架在跨域眼底图像分割任务中优于现有方法，关键创新在于利用梯度信息优化伪标签和增强特征区分度。这项技术为医学图像分析中的域适应问题提供了有效解决方案。
2025-10-08 18:17:42
596
原创 AIF-SFDA: Autonomous Information Filter-driven Source-Free Domain Adaptation for Medical Image Segme
基于深度学习（DL）的医学图像分割方法虽有显著进步，但实际场景中测试数据（目标域）与训练数据（源域）常存在，源于设备、患者人群、图像质量等差异，会严重降低模型在目标域的性能。
2025-09-24 21:27:25
977
原创 Context-Aware Pseudo-Label Refinement for Source-Free Domain Adaptive Fundus Image Segmentation
该论文聚焦于无源域自适应（SF-UDA）在眼底图像分割中的应用，提出了一种基于上下文感知的伪标签优化（CPR）框架，有效解决了源数据不可用时模型在目标域上的性能下降问题，尤其针对视杯和视盘分割这一青光眼筛查关键任务。
2025-09-07 12:21:05
922
原创 Leveraging Segment Anything Model for Source-Free Domain Adaptation via Dual Feature Guided Auto-Pro
本文提出了一种创新方法DFG，将Segment Anything Model（SAM）引入无源源域自适应（SFDA）医学图像分割任务。通过双特征引导（目标模型和MedSAM特征）的自动提示搜索框架，解决了传统SFDA方法伪标签不准确和SAM需人工交互的问题。实验表明，DFG在跨模态腹部MRI/CT分割和前列腺MRI分割任务中，Dice系数显著优于现有方法（如腹部CT→MRI任务达84.9%）。该方法首次实现了SAM在SFDA中的全自动应用，兼具隐私保护和性能优势，为跨机构医学图像分析提供了新方案。代码已开源
2025-09-02 10:27:10
587
原创 Test-Time Domain Generalization via Universe Learning: A Multi-Graph Matching Approach for Medical I
本文提出一种基于多图匹配的测试时领域泛化框架（TTDG），用于解决医学图像分割中的领域偏移问题。该方法通过构建图结构并引入宇宙嵌入实现多图匹配，利用形态学先验知识提升模型泛化能力。在视网膜和息肉分割数据集上的实验表明，该方法在多源和单源领域泛化任务中均优于现有方法，平均DSC最高提升19.09%。关键创新在于将循环一致性约束融入图匹配过程，有效捕获全局结构信息，并在测试时无需目标域标签即可快速适应新分布。
2025-08-08 17:07:27
1046
原创 IPLC: Iterative Pseudo Label Correction Guided by SAM for Source-Free Domain Adaptation in Medical I
本文提出了一种基于SAM（Segment Anything Model）的IPLC框架，用于解决医学图像分割中的无源域适应（SFDA）问题。针对现有SFDA方法存在监督不足和伪标签噪声的挑战，IPLC框架通过多次随机采样和熵权重估计生成鲁棒伪标签，结合平均负曲率最小化实现平滑分割，并采用迭代修正学习策略逐步优化模型。在M&MS心脏MRI数据集上的实验表明，该方法在四个不同扫描仪域上均显著优于现有方法，最高Dice提升达5.06%。该研究为跨中心医学图像分割提供了新思路，未来可探索结合生成对抗网络等进
2025-08-04 22:17:18
1072
原创 SRPL-SFDA: SAM-Guided Reliable Pseudo-Labels for Source-Free Domain Adaptation in Medical Image Segm
本文提出SRPL-SFDA方法，解决医学图像分割中的无源源域自适应问题。通过测试时三分支强度增强(T3IE)生成兼容SAM的伪标签，利用多SAM输出一致性(CMSO)筛选可靠区域，并设计可靠性感知训练损失(RPSR)区分监督。在前列腺和胎儿脑MRI数据集上，Dice系数分别提升4.95%和1.69%，接近全监督性能。创新性地利用SAM的零样本能力优化伪标签，无需微调或源域数据，具有模型无关性。未来可探索无验证集适配和3D图像扩展。代码已开源。
2025-08-03 19:16:56
837
原创 C2MAL: cascaded network-guided class-balanced multi-prototype auxiliary learning for source-free dom
中科院最新升级版分区表显示，该刊属于工程技术大类3区。25年发表的研究提出了一种无需源域数据的无监督源域自适应医学图像分割方法C2MAL。该方法通过两阶段框架解决医学图像分割中的关键挑战：伪标签噪声累积和类别极度不平衡。第一阶段（CTS-Net）利用翻译网络和分割网络的交替优化生成高质量伪标签；第二阶段（CMAL-Net）结合记忆网络和多原型机制，设计了类平衡校准损失和多原型对称交叉熵损失，有效缓解类别不平衡问题。实验在多个眼底图像数据集上验证了该方法的优越性，Dice分数提升显著，CDR筛查AUC达0.9
2025-08-02 22:44:30
973
原创 A Chebyshev Confidence Guided Source-Free Domain Adaptation Framework for Medical Image Segmentation
提出了一种新的评估伪标签可靠性的方法——Chebyshev置信度。设计了两种基于Chebyshev置信度的去噪方法，能够有效去除伪标签中的噪声。引入了教师-学生联合训练方案，通过迭代改进伪标签的质量，提高了模型的适应性。在多种医学图像分割任务中验证了该框架的有效性，证明了其优于现有方法。
2025-08-01 22:32:47
917
原创 切比雪夫不等式
可以看到，分子包含e_v是为了将像素的特征信息纳入计算，确保原型能反映 “视盘” 类的真实特征；而分母仅用l_v求和是为了归一化，让最终原型是特征的加权平均（而非简单求和）。低可靠性的v_3特征因l_v小，对原型的影响被大幅削弱，避免了噪声干扰。
2025-08-01 17:50:39
141
原创 “不确定性（uncertainty）”“预测概率（predicted probability）”和“置信度（confidence）”
概率：模型对结果的“倾向性”；不确定性：模型对自身判断的“怀疑程度”；置信度：综合两者后对“预测可靠性”的最终评价。
2025-08-01 17:33:13
420
原创 Progressive pseudo-labels enhancement for source-free domain adaptation medical image segmentation
数据集任务提升效果（Dice ↑）RIGA+视杯分割Drishti-GS视杯分割显著提升REFUGE视杯分割优于所有对比方法对比方法结论：在多个域迁移场景下，均优于现有SFDA方法用聚类+对比学习+医学先验知识，在无源域数据的情况下，显著提升了医学图像分割的跨域适应能力。原文题目：Progressive pseudo-labels enhancement for source-free domain adaptation medical image segmentation。
2025-07-28 23:08:36
750
原创 无源域自适应综合研究【2】
这篇论文为SFUDA领域提供了全面且系统的综述，不仅有助于研究人员快速了解该领域的研究现状和应用情况，还为未来的研究指明了方向。其分类方法和对未来方向的探讨具有重要的参考价值，可推动SFUDA在更多实际场景中的应用和发展。原文题目：Source-Free Unsupervised Domain Adaptation: Current research and future directions请大家自行搜索阅读原论文。
2025-07-24 22:04:29
1256
原创 无源域自适应综合研究【1】
1.源域：拥有标签数据并用于预训练模型的领，在无源域自适应SFDA中源域数据仅在预训练阶段可用，适应阶段无法访问2.目标域：需要适应的无标签领域，它的标签空间不可用且分布与源域不同3.域判别器：用于区分数据是来自源于还是目标域，常见于对抗域适应方法中，通过与特征提取器对抗训练，迫使特征提取器生成域不变的特征表示4.边缘分布：数据在特征空间的分布概率，不考虑标签信息，域适应中的“域偏移”常指源域与目标域的边缘分布差异。
2025-06-20 17:29:30
918
原创 医学图像分割最新进展
其中包含两个主要部分：条件分支（黄色部分）和分割分支（粉色部分）。这个框架利用支持集（Support Set）中的图像来指导和调整查询图像的分割过程。使用支持集（含k张已标注图像）指导模型对查询图像进行新类别分割。少样本分割致力于用极少量标注样本识别新类别。
2025-06-10 22:26:10
1280
原创 线性投影层---将输入特征从一个空间映射到另一个空间
在机器学习和深度学习中，特征空间是指由输入数据的特征组成的空间。每个特征可以看作是空间中的一个维度。例如，如果你有一张图片，它可能被表示为一个包含像素值的向量，每个像素值就是一个特征，所有这些特征组成了图片的特征空间。
2025-05-13 21:24:06
619
原创 域对齐是什么
域对齐旨在将不同域（Domain）的数据映射到一个共同的特征空间中，使得来自不同域的数据在该空间中具有相似的分布。这里的“域”可以指代不同的数据集、不同的任务场景、不同的传感器模态等。例如，在图像领域，不同的光照条件、拍摄角度、图像分辨率等都可能导致数据处于不同的域。
2025-04-29 21:38:04
1097
原创 卷积神经网络（CNN）
图片分类：输入一个固定尺寸的图片，在通过一个Model之后，会得到一个输出，这个输出是一个vector。最右边的ŷ就是识别这个图片中有什么，向量中的Dimension越多就表示它可以识别出的东西种类越多。比如这张图片，y’与ŷ所表达出来的含义就是这张图片是猫的概率为70%接下来问题是：怎么让输入可以是一张图片？可以把一张图片当作是三维的tensor，分别是长，宽还有图片的rgb。之前输入的时候都是以向量形式输入的，所以就把这三维拉成最右面这样的向量形式，分别是三组100*100的接在一起。
2024-07-21 13:59:39
1035
原创 Backpropagation
这里就是把∂C/∂a又拆解了一下。但是红色问号的地方很难解决因为，z‘和z‘‘到C还有很多步骤，不确定是对C的怎么影响的。看右上角的公式，绿色部分是假设给定一组神经网络的参数θ，把一个训练参数xn带入到这个神经网络中，它会output一个Yn，同时我们又希望它output一个Yn尖（期望值），Cn就是实际值Yn和期望值Yn尖之间的距离。从这个图正好看出其实算这个就是：如果对w1偏微分，得到的就是x1，如果是对w2，得到的就是x2。
2024-07-14 14:39:24
427
原创 Gradient Descent
把过去所有的gradient的平方相加再相除，来看过去的gradient的反差有多大。w1的error surface（曲面误差）图像如蓝色所示，在这条图像上，如果比较a和b，那就是刚才那样的规律，斜率越大距离远点越远。随机找一个起始点0，它的等高线的法线方向就是gradient，是一个vector，之后把这个gradient乘上deep learning再取负号得到它更新的移动方向，1，以此类推。最好的一步这个公式里还有一个分母2a，这个2a就是对二次函数进行二次微分的来的。不同的特征有相同的范围。
2024-07-06 23:05:27
905
原创 PyTorch Tutorial(introduction+documentation)李宏毅机器学习笔记
在读进dataset的时候，把它丢到dataloader中，设置长度是5，不shuffle data，否则每次结果都不一样。dataloader会依序把dataset里的data都拿出来，把得到的这5笔资料合起来得到一个batch（批次，用来指代一组输入样本同时输入模型进行训练或推断的数据集合）（张量tensors是多维数组的推广，是向量（一维数组）、矩阵（二维数组）等的高维形式。在神经网络和深度学习中，所有的数据都表示为张量，包括输入数据、权重、偏置、激活值等都以张量的形式存储和处理。
2024-06-11 21:16:16
531
原创 Brief Introduction of Deep Learning（李宏毅机器学习）
简述，来自：https://blog.youkuaiyun.com/zyuPp/article/details/992889091958年：人们感觉人工智能要来了，因为linear model的出现，它可以做到一些稍微复杂的分类和预测问题，当时他们也叫这个技术为Perceptron，感知器1969年：有人终于发现了linear model有缺点，研究了一下为什么“坦克与卡车”的图像分类为什么如此精确，原来是因为两组图片的拍照时间不一样，而机器是通过其亮度作为特征来分类的。
2024-05-27 21:48:40
772
2
原创 关于Git
总结：通过最后一步才找到了用户名，看了一些博客的方法都没有找到，我的用户名不是昵称也不是邮箱，而是电话号码。在idea中使用git提交的时候遇到第一步，就是用户名和密码错误提交不上，以下记录我找用户名的经过。
2023-05-23 17:16:55
412
原创 蓝桥杯省赛 相乘--填空
本题为填空题，只需要算出结果后，在代码中使用输出语句将所填结果输出即可。小蓝发现，他将 1至1000000007之间的不同的数与 2021相乘后再求除以1000000007 的余数，会得到不同的数。题目中说到范围的，只有一句话，是x范围是1~1000000007.我们要找的数是y，如果无脑把y范围也设置成题目中的，就会循环很久，是错误的。所以，说明(1000000007x+999999999)%2021=0 这就有了一个if条件，用来检查控制是否需要输出。这个题很简单，没什么好说的。
2023-03-22 22:57:11
160
原创 org.xml.sax.SAXParseException； lineNumber: 27； columnNumber: 38； 元素类型 “collection“ 必须后跟属性规范 “＞“ 或 “
org.xml.sax.SAXParseException; lineNumber: 27; columnNumber: 38; 元素类型 "collection" 必须后跟属性规范 ">" 或 "/>"
2023-03-08 13:52:01
609
原创 实验八 Json数据解析
容，下面案例可供参考提示：这里对文章进行总结：例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。有描述不准确或错误的欢迎指正，有任何代码跑不出来的问题都可以找我，知无不言。
2022-09-30 20:49:18
463
原创 在navicat for mysql 创建函数，保存的时候出现1064错误
在navicat for mysql 创建函数，保存的时候出现1064错误解决方法：很有可能是mysql语句出现语法错误，仔细检查一下符号是否为英文，是否忘记写符号“；”
2022-05-18 19:55:41
2301
原创 Javaweb 一 servlet
Javaweb 一 servlet 1.servlet用来相应前端的按钮java<inputtype=“submit”> ${pageContext.request.contextPath}是JSP取得绝对路径的方法。 2 servlet的常用方法 String s=request.getParameter(arg0);//获得前台传入的值，是String类型如果想获得int型应用 int s1=teger.parseInt(s); //
2022-04-25 15:04:51
348
原创 数据结构C语言版
线性表的顺序储存结构我认为和数组试一样的意思，但是数组的长度是不可以改变的（高级语言试可以动态分配），但是线性表的长度是随时可以改变的，插入len++，删除len–；由于人数数是从1开始的，线性表也不例外，但是数组是从0开始数的，所以线性表的第i个数是存在第i-1的位置上的；...
2021-09-06 21:19:19
159
原创 筛法求素数
#include<iostream>#include<cstring>using namespace std;挨拉托色尼筛法就是从头到尾，如果是i的倍数，就全删除掉从i的i倍开始计算int main(void){ int i,j;//输出是i，j时，不可以定义成局部变量，不然就找不到了 bool a[101]; memset(a,1,sizeof(a));//数组初始化 for(int i=2;i<10;i++){// 因为10的10倍不时1
2021-06-13 13:08:16
145
原创 7-1 圆形体体积计算器 (20 分)
输入样例1232.4 30输出样例1-Ball2-Cylinder3-Coneother-ExitPlease enter your command:Please enter the radius:33.511-Ball2-Cylinder3-Coneother-ExitPlease enter your command:Please enter the radius and the height:18.101-Ball2-Cylinder3-Coneoth.
2021-06-04 10:05:39
2962
1
原创 是一些算法随笔吖
结构体的sort排序struct node{ int age; double weight;};int zzx(struct node a,struct node b){ return a.age>=b.age; return a.weight<=b.weight; }//如果年龄不同，按年龄降序排雷，如果年龄相同，按体重升序排列for(int i = 18;i<28;i++){ //这里就是按顺序输入而已 arr[i-18].age = i; arr[i-1
2021-05-22 15:48:42
114
原创 字符串排序
输出样例black blue green red yellow#include <stdio.h>#include <string.h>void fsort(char *color[ ], int n){ char *t,i,j; //要使用正规的排序方法，这歪门邪道的方法已经错过好几次了 // for(int i=0;i<n;i++){ // if(color[i]>color[i+1]){// t = color[i];// color[
2021-05-15 19:21:35
200
原创 小雨点的JAVA--三大特性，方法重写，final
@[TOC]三大特性#继承##方法的重写###final####继承和组合#####to String和Object类######封装#######多态########对象的转型
2021-05-14 09:16:47
154
原创 小雨点的JAVA--（static，变量的分类）
static1.声明的成员变量为静态成员变量（类变量），生命周期和类相同，在整个应2.用程序执行期间都有效，被该类的所有实例共享3.声明的方法叫静态方法4.static位于类中，而不是对象5.一般用类名.来调用6.在static方法中不可直接访问非static的成员静态初始化块构造方法用于对象的初始化静态初始化用于类的初始化（不能直接访问非static成员）初始化块是不能接收任何参数的，定义的一些所有对象共有的属性、方法等内容时就可以用初始化块了初始化！！//静态初始化块5
2021-05-14 09:12:59
206
原创 Number Sequence
Sample Input1 1 31 2 100 0 0Sample Output25#include<iostream>using namespace std;#define int long longconst int mod = 7;struct Matrix{ static const int n = 3;//静态变量n，比给定的矩阵大1就可以 int temp[n][n];//临时数组，存放结果 Matrix(int e = 0){//构造函数初始化作用.
2021-05-09 11:04:17
139
原创 人见人爱A^B,,Rightmost Digit
#include<iostream>#include<algorithm>using namespace std;long long qpow(long long a,long long b){//快速幂的模板，背会就好 long long t1=a,t2=1; while(b){ if(b&1) t2=t2*t1%10; t1=t1*t1%10; b>>=1; } return t2;}int main(){ long .
2021-05-07 23:37:00
133
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人