Select, Label, and Mix: Learning Discriminative Invariant Feature Representations for Partial Domain Adaptation
MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）；Boston University（波士顿大学）；IIT Kharagpur（印度理工学院卡拉格普尔分校）
部分领域自适应是计算机视觉中的一个研究热点，它假设未知的目标标签空间是源标签空间的一个子集。尽管最近的进展，现有的方法往往遭受三个关键问题：负迁移，缺乏可辨别性，域不变性的潜在空间。为了缓解上述问题，我们开发了一种新的“选择，标签，和混合”（SLM）的框架，旨在学习歧视性的不变特征表示部分领域自适应。首先，我们提出了一个有效的“选择”模块，自动过滤出离群源样本，以避免负转移，同时对齐分布在两个域。其次，“标签”模块使用标记的源域数据和针对目标域生成的伪标签来迭代地训练分类器，以增强潜在空间的可辨别性。最后，“混合”模块与其他两个模块一起利用域混合正则化来探索跨域的更多内在结构，从而导致用于部分领域自适应的域不变潜在空间。在部分领域自适应的几个基准数据集上进行的大量实验表明，我们提出的框架优于最先进的方法。
2023-01-03 cs.CV
mDALU: Multi-Source Domain Adaptation and Label Unification with Partial Datasets
ETH Zurich（苏黎世联邦理工学院）；MPI for Informatics（马克斯·普朗克信息学研究所）；UESTC（电子科技大学）；KU Leuven（鲁汶大学）
对象识别的一个挑战是推广到新的领域，更多的类和/或新的模态。这需要组合和重用可能属于不同域、具有部分注释和/或具有不同数据模态的现有数据集的方法。本文将其归结为一个多源领域自适应和标签统一问题，并提出了一种新的方法，该方法包括部分监督自适应和全监督自适应两个阶段。在前者中，部分知识从多个源域转移到目标域并在其中融合。通过三个新的模块：域注意，不确定性最大化和注意力引导的对抗性对齐来减轻不匹配标签空间之间的负转移。在后者中，知识转移后，在统一的标签空间的标签完成过程与伪标签。在三个不同的任务-图像分类，2D语义图像分割，和联合2D-3D语义分割-广泛的实验表明，我们的方法优于所有的竞争方法显着。
2021-09-27 cs.CV
Partial Domain Adaptation Using Graph Convolutional Networks
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
部分领域自适应（PDA）是标准领域自适应的一种通用形式，它假设目标标签空间包含在源标签空间中。由于目标标签空间是未知的，PDA的主要挑战是减少不属于目标标签空间的不相关源样本（称为离群值）的学习影响。现有的部分领域自适应方法虽然有效地降低了离群点的重要性，但它们没有考虑每个领域的数据结构，也没有直接对齐源域和目标域中同一类的特征分布，这可能导致类别级分布的不对齐。为了克服这些问题，我们提出了一个图部分领域自适应（GPDA）网络，它利用图卷积网络共同考虑数据结构和每个类的特征分布。具体来说，我们提出了一个标签关系图对齐的分布相同的类别在两个领域，并引入移动平均质心分离的学习网络从标签关系图。我们证明，考虑数据结构和每个类别的分布是有效的PDA和我们的GPDA网络上的Digit和Office-31数据集达到最先进的性能。
2020-05-16 cs.CV
Adversarial Consistent Learning on Partial Domain Adaptation of PlantCLEF 2020 Challenge
Lehigh University（利哈伊大学）
领域自适应是解决领域迁移问题的关键技术之一。部分领域自适应解决了目标类别仅是源类别的子集的情况。在本文中，为了实现跨域植物图像的有效表示，我们首先从预训练模型中提取深度特征，然后在统一的深度架构中开发对抗一致性学习（$ACL$），用于部分领域自适应。它包括源域分类损失、对抗学习损失和特征一致性损失。对抗性学习损失可以保持源域和目标域之间的域不变特征。此外，特征一致性损失可以保持两个域之间的细粒度特征过渡。通过对源域中不相关的类别进行降权，找到两个域的共享类别。实验结果表明，从NASNetLarge模型与建议的$ACL$架构的训练功能产生有前途的结果PlantCLEF 2020挑战。
2020-09-19 cs.CV
Residual-CycleGAN based Camera Adaptation for Robust Diabetic Retinopathy Screening
Baidu Inc（百度公司）
糖尿病视网膜病变（DR）眼底图像自动检测是目前研究的热点。然而，当将这些模型应用于真实世界的DR筛查时，观察到准确性下降，其中眼底相机品牌与用于捕获训练图像的相机品牌不同。我们如何训练一个分类模型，对一个品牌的眼底图像进行分类，同时对其他品牌的眼底图像也有很好的分类效果？在本文中，我们定量地验证眼底相机品牌相关的域偏移的DR分类模型的性能的影响，从实验的角度。此外，我们提出了面向相机的residual-CycleGAN，以减轻相机品牌的差异，通过域自适应，并实现目标相机图像上的分类性能的提高。在EyePACS数据集和私有数据集上进行的大量消融实验表明，相机品牌差异会显著影响分类性能，证明了该方法能有效提高目标域的模型性能.我们已经推断并标记了EyePACS数据集中每个图像的相机品牌，并将公布相机品牌标签，以进一步研究领域适应。
2020-07-31 cs.CV eess.IV
Discriminative Cross-Domain Feature Learning for Partial Domain Adaptation
Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）；University of Massachusetts Dartmouth（马萨诸塞大学达特茅斯分校）
部分领域自适应旨在将知识从一个更大、更多样化的源领域适应到一个更小、类数更少的目标领域，引起了人们的广泛关注。最近的实践领域自适应管理提取有效的功能，通过合并的伪标签的目标域，以更好地对抗跨域分布的分歧。但是，必须将目标数据与一小部分源数据对齐。在本文中，我们开发了一种新的判别式跨域特征学习（DCDF）框架，以迭代优化目标标签与跨域图的加权方案。具体地说，提出了一种加权跨域中心损失和加权跨域图传播耦合未标记的目标数据到相关的源样本的歧视性跨域特征学习，其中无关的源中心将被忽略，以减轻边缘和条件的差异同时。通过与现有的部分领域自适应方法进行比较，在几个常用的标准测试集上的实验结果表明了该方法在促进未标记目标域识别方面的有效性.
2020-08-26 cs.CV
Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation
Indiana University-Purdue University Indianapolis（印第安纳大学-普渡大学印第安纳波利斯分校）
部分领域自适应（PDA）是一种用源域标签空间代替目标域的具有现实性和挑战性的自适应算法。大多数传统的领域自适应（DA）的努力集中在学习域不变的功能，以减轻跨域的分布差异。然而，这是至关重要的，以减轻所造成的负面影响，不相关的源域类别明确的PDA。在这项工作中，我们提出了一个自适应积累的知识转移框架（A $^2$ KT），以调整两个领域的有效领域自适应的相关类别。具体而言，自适应积累的机制，探索逐步过滤出最有信心的目标样本及其相应的源类别，促进积极的转移与更多的知识在两个领域。此外，一个双不同的分类器架构，包括一个原型分类器和一个多层感知器分类器的构建，以捕捉内在的数据分布知识，跨领域从不同的角度。通过最大化类间中心差异和最小化类内样本紧致度，该模型能够获得更多的共享类别数据的领域不变和特定于任务的区分表示。在多个部分领域自适应基准测试上的综合实验表明，与现有的PDA方法相比，该模型是有效的。
2020-08-27 cs.CV
Learning to Transfer Examples for Partial Domain Adaptation
Tsinghua University（清华大学）；Hong Kong University of Science and Technology（香港科技大学）
领域自适应对于在新的和未知的环境中学习至关重要。通过领域对抗训练，深度网络可以学习解纠缠和可转移的特征，这些特征可以有效地减少数据集在源和目标领域之间的转移，以实现知识转移。在大数据时代，大规模标记数据集的出现激发了部分领域自适应（PDA）的研究兴趣，PDA将识别器从标记的大领域转换到未标记的小领域。它将标准的领域自适应扩展到目标标签仅是源标签的子集的场景。在目标标签未知的情况下，如何迁移共享类中的相关样例以促进正迁移，忽略特定类中的无关样例以减轻负迁移是PDA的关键挑战。在这项工作中，我们提出了一个统一的方法PDA，示例传输网络（ETN），它联合学习跨源和目标域的域不变表示，以及一个渐进的加权方案，量化源示例的可转移性，同时控制它们对目标域中学习任务的重要性。在多个基准数据集上的测试结果表明，该方法在部分领域自适应任务中取得了较好的效果。
2019-04-07 cs.CV
Gradually Vanishing Bridge for Adversarial Domain Adaptation
University of Chinese Academy of Sciences（中国科学院大学）；Kingsoft Cloud（金山云）；Peng Cheng Laboratory（鹏城实验室）
在无监督领域自适应中，丰富的领域特性给学习领域不变表示带来了巨大的挑战。然而，在现有的解决方案中，域差异被认为是直接最小化的，这在实践中是难以实现的。一些方法通过显式地对表示中的领域不变部分和领域特定部分进行建模来缓解这一困难，但显式构造的不利影响在于所构造的领域不变表示中残留的领域特定特征。在本文中，我们配备了对抗领域自适应逐渐消失桥（GVB）机制的发生器和同步器。在生成器上，GVB不仅可以降低整体的传输难度，而且可以减少域不变表示中剩余的域特定特征的影响。在训练过程中，GVB有助于提高识别能力，平衡对抗训练过程。在三个具有挑战性的数据集上的实验表明，我们的GVB方法优于强大的竞争对手，并与其他对抗方法合作良好。该代码可在https://github.com/cuishuhao/GVB上获得。
2020-03-30 cs.CV
Class Conditional Alignment for Partial Domain Adaptation
Department of Computer Science and Engineering, University of Texas at Arlington, USA（德克萨斯大学阿灵顿分校计算机科学与工程系）
对抗性适应模型在将知识从标记的源数据集转移到未标记的目标数据集方面取得了重大进展。部分领域自适应（PDA）研究源域较大且多样，目标标签空间是源标签空间子集的情况。PDA的主要目的是识别领域之间的共享类，并促进从这些类中学习可转移的知识。在本文中，我们提出了一个多类对抗的PDA架构。该方法通过最小化一个新的多类对抗损失函数来联合对齐共享标签空间中的边缘和类条件分布。此外，我们将有效的正则化条款，以鼓励选择最相关的子集的源域类。在没有目标标签的情况下，所提出的方法能够有效地学习域不变特征表示，这反过来又可以提高目标域的分类性能。在Office-31、C-Home和Caltech-Office三个基准数据集上的综合实验证实了所提出的方法在解决不同部分迁移学习任务方面的有效性。
2020-03-14 cs.CV
Partial Domain Adaptation Using Selective Representation Learning For Class-Weight Computation
Arizona State University（亚利桑那州立大学）
深度学习模型的泛化能力依赖于丰富的标记数据。这种使用大规模注释信息的监督在大多数真实世界场景中是限制性的，其中数据汇集及其注释涉及巨大的成本。各种领域自适应技术存在于文献中，弥合这种分布差异。然而，这些模型中的大多数要求两个域的标签集是相同的。为了解决一个更实际和具有挑战性的情况下，我们制定的问题陈述部分领域自适应的角度来看，源标签集是一个超集的目标标签集。在这项工作中，我们开发了一种方法，专门从图像内容信息中识别离群类，并训练标签分类器专门从源图像的类内容的动机，图像风格是私人的。此外，通过最大化它们之间的聚类间方差，将软类级权重转换为两个聚类0（离群源类）和1（共享类），来消除样本从私有类到源域的负转移。
2021-01-06 cs.CV
Robust Class-Conditional Distribution Alignment for Partial Domain Adaptation
Arizona State University（亚利桑那州立大学）
针对部分域适应中私有源类别样本导致的负迁移问题，提出通过超越一阶矩推导紧凑类别分布、优化类内类间分布并设计鲁棒伪标签与补熵模块的方法，显著提升了分类性能。
2023-10-19 cs.CV
Learning Target Domain Specific Classifier for Partial Domain Adaptation
Sun Yat-Sen University（中山大学）；Yitu Technology（依图科技）
无监督领域自适应（UDA）的目的是减少知识从有标记的源域向无标记的目标域转移时的分布差异。以前的UDA方法假设源域和目标域共享相同的标签空间，这在实践中是不现实的，因为目标域的标签信息是不可知的。本文重点讨论了一种更现实的UDA场景，即部分领域自适应（PDA），其中目标标签空间被归入源标签空间。在PDA场景中，目标域中不存在的源离群值可能会错误地匹配到目标域（技术上称为负转移），导致UDA方法的性能下降。提出了一种新的基于目标领域特定分类器学习的领域自适应（TSCDA）方法。TSCDA提出了一种软加权最大平均差异准则，以部分对齐特征分布和减轻负迁移。此外，它还使用伪标签和多个辅助分类器为目标域学习目标特定的分类器，以进一步解决分类器移位问题。一个名为Peers Assisted Learning的模块用于最小化多个目标特定分类器之间的预测差异，这使得分类器对目标域更具鉴别力。在三个PDA基准数据集上进行的大量实验表明，TSCDA的性能优于其他最先进的方法，例如，$4\%$和$5.6\%$平均分别在Office-31和家庭办公室。
2020-08-25 cs.CV
Self-Adaptive Partial Domain Adaptation
Shanghai Jiao Tong University（上海交通大学）；Pingduoduo Group（拼多多集团）；Zhejiang Lab（之江实验室）；University of Calgary（卡尔加里大学）；Third Academy of China Ordinance（中国兵器工业集团第三研究院）
部分领域自适应（PDA）旨在解决一个更实际的跨域学习问题，假设目标标签空间是源标签空间的子集。然而，不匹配的标签空间导致显著的负迁移。传统的解决方法是使用软权重来增加源共享域的权重，降低源离群域的权重。但它仍然学习离群值的特征，并导致负移民。另一种主流思想是通过硬二进制权重将源域区分为共享类和离群类，但无法纠正纠缠在一起的共享类和离群类。在本文中，我们提出了一个端到端的自适应部分领域自适应（SAPDA）网络。引入类权值评估机制，对共享类、离群类和混淆类的权值进行动态自校正，使置信度越高的样本具有越充分的权值。同时，它可以大大消除由于标签空间不匹配而引起的负迁移。此外，我们的策略可以有效地衡量在更广泛的意义上的样本的可转移性，使我们的方法可以实现无监督DA任务同样有竞争力的结果。在多个基准上的大量实验证明了我们的SAPDA的有效性。
2021-09-18 cs.CV
KeepLoRA: Continual Learning with Residual Gradient Adaptation
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Key Laboratory of Computer Network and Information Integration (Southeast University), Ministry of Education, China（教育部计算机网络与信息集成重点实验室）；School of Software Technology, Zhejiang University（浙江大学软件学院）
KeepLoRA通过残差梯度适应方法实现持续学习，有效平衡知识保留、任务知识保持和新知识获取，取得最佳性能。
2026-01-27 cs.CV cs.LG
Prototypical Partial Optimal Transport for Universal Domain Adaptation
本文提出小批量原型部分最优传输方法，通过部分分布对齐和基于传输计划的重新加权损失区分已知与未知样本，在四个基准上超越现有通用领域自适应方法。
2024-08-02 cs.CV
Partial Video Domain Adaptation with Partial Adversarial Temporal Attentive Network
Nanyang Technological University（南洋理工大学）；Agency for Science, Technology and Research (A*STAR)（新加坡科技研究局（A*STAR））；Institute for Infocomm Research（资讯通信研究院）
部分领域自适应（PDA）是一种实用且通用的领域自适应场景，它放宽了标签空间完全共享的假设，使得源标签空间包含目标标签空间。PDA的主要挑战是由源类引起的负迁移问题。对于视频，这种负迁移可能由空间和时间特征两者触发，这导致更具挑战性的部分视频领域自适应（PVDA）问题。在本文中，我们提出了一种新的部分对抗时间注意网络（PATAN），以解决PVDA问题，利用空间和时间的功能过滤源只类。此外，PATAN通过关注对类别过滤过程贡献更大的局部时间特征来构造有效的整体时间特征。我们进一步引入新的基准，以促进PVDA问题的研究，涵盖了广泛的PVDA方案。实证结果表明，国家的最先进的性能，我们提出的PATAN在多个PVDA基准。
2021-07-11 cs.AI cs.CV
Universal Domain Adaptation through Self Supervision
Boston University（波士顿大学）；MIT-IBM Watson AI Lab（麻省理工学院-IBM沃森人工智能实验室）
无监督领域自适应方法传统上假设所有源类别都存在于目标域中。在实践中，很少有人知道这两个领域之间的类别重叠。虽然一些方法使用部分或开放集合类别来解决目标设置，但它们假设特定设置是先验已知的。我们提出了一个更普遍适用的领域自适应框架，可以处理任意的类别转移，称为域自适应邻域聚类通过熵优化（DANCE）。DANCE结合了两个新颖的想法：首先，由于我们不能完全依赖于源类别来学习目标的区别特征，我们提出了一种新的邻域聚类技术，以自监督的方式学习目标域的结构。其次，我们使用基于熵的特征对齐和拒绝来将目标特征与源特征对齐，或者基于它们的熵将它们拒绝为未知类别。我们通过大量的实验表明，DANCE在开集，开部分和部分领域自适应设置上优于基线。可在https://github.com/VisionLearningGroup/DANCE上获得实现。
2020-10-06 cs.CV
Multi-Source Multi-View Graph Domain Adaptation with Hyperbolic Residual Encoding for Cross-Site MDD Identification from rs-fMRI
School of Computer and Artificial Intelligence, Shandong Jianzhu University（山东建筑大学计算机与人工智能学院）；Institute of Fundamental and Frontier Sciences, University of Electronic Science and Technology of China（电子科技大学基础与前沿研究院）；School of Mathematics and Statistics, Chongqing Jiaotong University（重庆交通大学数学与统计学院）；State Key Laboratory of Brain-machine Intelligence, Zhejiang University（浙江大学脑机智能国家重点实验室）；Institute of Computer Vision and Traffic Image Understanding, School of Information Science and Engineering, Chongqing Jiaotong University（重庆交通大学信息科学与工程学院计算机视觉与交通图像理解研究所）；School of Life Sciences, Westlake University（西湖大学生命科学学院）；School of Computer and Artificial Intelligence, Nanjing University of Finance and Economics（南京财经大学计算机与人工智能学院）
该研究针对跨站点rs-fMRI的MDD识别难题，提出结合双曲残差编码、双流自适应融合及类别级对齐的多源多视图图域适应框架，在七个目标域取得73.60%平均准确率，实现有效泛化。
2026-08-03 cs.CV q-bio.NC
Calibrating Class Weights with Multi-Modal Information for Partial Video Domain Adaptation
Nanyang Technological University（南洋理工大学）；Institute for Infocomm Research, A*STAR（新加坡科技研究局资讯通信研究院）
假设源标签空间包含目标标签空间，部分视频领域自适应（PVDA）是用于跨域视频分类问题的更一般和实用的场景。PVDA的关键挑战是减轻由仅源离群值类引起的负迁移。为了应对这一挑战，关键的一步是聚合目标预测，通过增加目标类的权重和减少离群类的权重来分配类权重。然而，类权重的错误预测会误导网络，导致负迁移。以前的工作提高了类权重的准确性，利用时间特征和注意力机制，但这些方法可能会失败时，试图生成准确的类权重时，域转移是显着的，在大多数现实世界的情况下。为了应对这些挑战，我们提出了多模态神经网络校准的部分对抗网络（MCAN）。MCAN增强了视频特征提取与多个时间尺度的多模态特征，以形成更强大的整体功能。它采用了一种新的类权重校准方法，以减轻不正确的类权重所造成的负迁移。校准方法尝试使用由无监督聚类隐含的分布信息来识别和权衡正确和不正确的预测。广泛的实验进行了流行的PVDA基准，和建议的MCAN相比，国家的最先进的PVDA方法实现了显着的改善。
2022-07-11 cs.CV
OneRing: A Simple Method for Source-free Open-partial Domain Adaptation
Computer Vision Center, Universitat Autònoma de Barcelona（巴塞罗那自治大学计算机视觉中心）；Nankai University（南开大学）；Huawei Kirin Solution（华为麒麟解决方案部）
本文研究了无源开放部分领域自适应（SF-OPDA），它解决了源域和目标域之间同时存在领域和范畴转移的情况。在旨在解决数据隐私问题的SF-OPDA设置下，模型在目标适配期间不能再访问源数据。我们提出了一种新的训练方案来学习（n+1）路分类器来预测n个源类别和未知类别，其中只有已知源类别的样本可用于训练。此外，对于目标自适应，我们简单地采用加权熵最小化来使源预训练模型适应于没有源数据的未标记目标域。在实验中，我们表明我们的简单的方法优于目前的OPDA方法，需要源数据在适应。当在目标自适应过程中使用闭集领域自适应方法时，我们的无源方法在Office-31、M-Home和VisDA上的性能分别比当前最先进的OPDA方法高出2.5%、7.2%和13%。
2023-01-11 cs.CV cs.LG
A Robust Negative Learning Approach to Partial Domain Adaptation Using Source Prototypes
Arizona State University（亚利桑那州立大学）
提出一种鲁棒的部分域适应框架，通过集成学习与互补标签反馈优化伪标签，利用源原型实现域不变的类内紧凑与类间分离，并在适应阶段保护源数据隐私，显著提升了鲁棒性与泛化能力。
2023-09-08 cs.CV cs.LG
Domain Adaptation and Image Classification via Deep Conditional Adaptation Network
Guangdong Polytechnic Normal University（广东技术师范大学）；Sun Yat-Sen University（中山大学）；City University of Hong Kong（香港城市大学）
无监督领域自适应的目的是将在源域上训练的有监督模型推广到未标记的目标域。特征空间的边缘分布对齐被广泛用于减少源域和目标域之间的域差异。但是，它假设源域和目标域共享相同的标签分布，这限制了它们的应用范围。在本文中，我们考虑了一个更一般的应用场景，源和目标域的标签分布是不一样的。在这种情况下，基于边际分配的方法将容易受到负迁移的影响。为了解决这个问题，我们提出了一种新的无监督领域自适应方法，深度条件自适应网络（DCAN），基于特征空间的条件分布对齐。具体而言，通过最小化源域和目标域深度特征条件分布之间的条件最大均值离散度来减小域差异，通过最大化样本与预测标签之间的互信息来提取目标域的判别信息。此外，DCAN可用于解决一种特殊的场景，即部分无监督领域自适应，其中目标领域类别是源领域类别的子集。无监督领域自适应和部分无监督领域自适应的实验表明，DCAN取得了优于国家的最先进的方法的分类性能。
2022-05-03 cs.CV
Partially-Shared Variational Auto-encoders for Unsupervised Domain Adaptation with Target Shift
Kyoto University（京都大学）；OMRON SINIC X Corp.（欧姆龙 SINIC X 公司）
提出了一种新的基于目标移动的无监督领域自适应方法。目标移位是源域和目标域之间标签分布不匹配的问题。它通常表现为目标域中的类不平衡。在实践中，这是UDA中的一个重要问题;因为我们不知道目标域数据集中的标签，所以我们不知道它的分布是否与源域数据集中的分布相同。许多传统的方法通过最小化平均最大差异或对抗训练来实现分布匹配的UDA;然而，这些方法隐含地假设分布中的重合，并且在目标移动的情况下不起作用。最近的一些UDA方法关注类边界，其中一些对目标移动具有鲁棒性，但它们仅适用于分类而不适用于回归。为了克服UDA中的目标偏移问题，所提出的方法，部分共享变分自编码器（PS-VAE），使用成对的特征对齐，而不是特征分布匹配。PS-VAE通过基于CycleGAN的架构相互转换每个样本的域，同时保留其标签相关内容。为了评估PS-VAE的性能，我们进行了两个实验：类不平衡数字数据集的UDA（分类），以及从合成数据到真实观察的人体姿势估计（回归）的UDA。该方法在分类任务中表现出对类不平衡的鲁棒性，在回归任务中表现出较大的优势。
2020-01-25 cs.CV
Associative Partial Domain Adaptation
Yale University（耶鲁大学）；SK telecom（SK电信）；KAIST（韩国科学技术院）；mofl Inc.（mofl公司）
部分自适应（PDA）解决了目标域只包含源域中类的子集的实际情况。虽然PDA应该同时考虑班级水平和样本水平来减轻负迁移，但目前的方法大多只依赖其中之一。在本文中，我们提出了一种新的方法来充分利用多层次的关联，可以出现在PDA。我们的关联部分领域自适应（APDA）利用域内关联，主动选择出非平凡的异常样本，在每个源私有类的样本级加权不能处理。此外，我们的方法考虑域间关联，以鼓励积极的转移附近的目标样本和源样本之间的映射具有高标签共性。为此，我们利用特征传播在一个建议的标签空间组成的源地面实况标签和目标概率标签。我们进一步提出了一个几何指导损失的基础上，每个源类的标签共性，以鼓励积极的转移。我们的APDA在公共数据集上始终实现最先进的性能。
2020-08-07 cs.CV cs.LG
A Balanced and Uncertainty-aware Approach for Partial Domain Adaptation
National University of Singapore（新加坡国立大学）；Peking University（北京大学）；Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）
这项工作解决了无监督的领域自适应问题，特别是在目标域中的类标签只是源域中的类标签的子集的情况下。这样的部分转移设置是现实的，但具有挑战性的和现有的方法总是遭受两个关键问题，负转移和不确定性传播。在本文中，我们以领域对抗学习为基础，提出了一种新型的领域自适应方法BA $^3$ US，该方法分别采用两种新技术，即平衡对抗对齐（BAA）和自适应不确定性抑制（AUS）。一方面，负迁移会导致目标样本误分类为源域中的类别。为了解决这个问题，BAA以一种相当简单的方式追求跨域标签分布之间的平衡。具体来说，它随机地利用一些源样本来在域对齐期间增加较小的目标域，以便不同域中的类是对称的。另一方面，如果存在具有相对高的预测得分的不正确的类，则源样本将被表示为不确定的，并且这种不确定性在对齐期间容易传播到其周围的未标记的目标数据，这严重恶化了自适应性能。因此，我们提出了AUS，强调不确定的样本，并利用自适应加权互补熵目标，以鼓励不正确的类有统一的和低的预测分数。多个基准测试的实验结果表明，我们的BA $^3$美国超越了部分领域自适应任务的最先进的。代码可在\url{https://github.com/tim-learn/BA3US}上获得。
2020-07-16 cs.CV cs.LG
DART: Domain-Adversarial Residual-Transfer Networks for Unsupervised Cross-Domain Image Classification
Univ. of Electronic Sci & Tech.of China（电子科技大学）；The Chinese University of Hong Kong（香港中文大学）；University of Electronic Science and Technology of China（电子科技大学）；Google Inc.（谷歌公司）；Singapore Management University（新加坡管理大学）
深度学习的准确性（例如，卷积神经网络）用于图像分类任务关键地依赖于标记的训练数据的量。为了解决一个新领域的图像分类任务，缺乏标记的数据，但获得廉价可用的未标记的数据，无监督领域自适应是一种有前途的技术，以提高性能，而不会产生额外的标记成本，通过假设来自不同领域的图像共享一些不变的特征。在本文中，我们提出了一种新的无监督领域自适应方法，称为深度神经网络的域对抗残差转移（DART）学习，以解决跨域图像分类任务。与现有的无监督域自适应方法相比，所提出的DART不仅通过对抗训练来学习域不变特征，而且还通过残差转移策略来实现鲁棒的域自适应分类，所有这些都在端到端的训练框架中进行。我们评估了所提出的方法的性能跨域图像分类任务的几个著名的基准数据集，其中我们的方法明显优于国家的最先进的方法。
2018-12-30 cs.CV cs.LG
Low-Cost On-device Partial Domain Adaptation (LoCO-PDA): Enabling efficient CNN retraining on edge devices
Imperial College London（伦敦帝国理工学院）
随着卷积神经网络（CNN）在边缘设备上的部署越来越多，部署时观察到的数据分布的不确定性导致研究人员利用大型和广泛的数据集（如ILSVRC'12）来训练CNN。因此，部署时观察到的数据分布可能是训练数据分布的子集。在这种情况下，不使网络适应所观察到的数据分布可能会由于负传输而导致性能下降，并且缓解这一点是部分领域自适应（PDA）的焦点。当前针对PDA的工作并不关注在边缘设备上执行领域自适应，以适应变化的目标分布或降低部署自适应网络的成本。这项工作提出了一种新的PDA的方法，针对所有这些方向，并开辟了途径，设备上的PDA。LoCO-PDA通过使其能够在边缘设备上重新训练，使部署的网络适应观察到的数据分布。在ILSVRC 12数据集的各个子集中，LoCO-PDA平均将分类精度提高了3.04pp，同时在NVIDIA Jetson TX 2上实现了高达15.1倍的再训练内存消耗减少和2.07倍的推理延迟改善。这项工作是在\emph{link removed for anonymity}开源的。
2022-03-01 cs.AI cs.CV
Domain Adversarial Reinforcement Learning for Partial Domain Adaptation
Beijing Institute of Technology（北京理工大学）；University of Electronic Science and Technology（电子科技大学）；Shanghai University of Science and Technology（上海科技大学）
部分领域自适应的目的是将知识从标签丰富的源域转移到标签稀缺的目标域，从而放松了不同域之间完全共享标签空间的假设。在这个更一般和实际的场景中，一个主要的挑战是如何选择跨不同域的共享类中的源实例进行正迁移。为了解决这个问题，我们提出了一个领域对抗强化学习（DARL）框架，自动选择源实例的共享类规避负迁移，以及同时学习域之间的可转移功能，通过减少域转移。具体来说，在这个框架中，我们采用深度Q学习来学习代理的策略，通过近似动作-价值函数来做出选择决策。此外，引入领域对抗学习来学习代理和目标实例所选择的源实例的领域不变特征，并且还基于所选择的源实例与目标领域的相关程度来确定代理的奖励。在几个基准数据集上的实验表明，我们的DARL方法优于现有的部分领域自适应的最新技术水平的性能。
2019-05-10 cs.CV cs.LG stat.ML
ReSpinQuant: Efficient Layer-Wise LLM Quantization via Subspace Residual Rotation Approximation
Seoul National University（首尔国立大学）
提出ReSpinQuant框架，通过离线激活旋转融合和高效子空间残差旋转匹配基，解决逐层量化方法在线计算开销大的问题，在W4A4和W3A3量化上达到最优性能。
2026-05-28 cs.AI cs.CV
Learning to Discover Knowledge: A Weakly-Supervised Partial Domain Adaptation Approach
Guangdong University of Technology（广东工业大学）；Hangzhou Dianzi University（杭州电子科技大学）
针对弱监督部分域适配中知识发掘与跨域适配的难题，提出基于自步学习的SP-TCL方法，通过审慎损失函数发掘可靠知识并迭代适配，在多基准任务上性能超越现有最优水平。
2024-06-20 cs.CV cs.LG
A Reproducible and Realistic Evaluation of Partial Domain Adaptation Methods
Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；McGill University（麦吉尔大学）；Université de Montréal（蒙特利尔大学）
无监督领域自适应（UDA）的目的是利用源标记图像对未标记的目标图像进行分类。在这项工作中，我们认为部分领域自适应（PDA）的变种，我们有额外的源类不存在于目标域。大多数成功的算法使用依赖于目标标签的模型选择策略，以在训练过程中找到最佳的超参数和/或模型。然而，这些策略违反了PDA中的主要假设：只有未标记的目标域样本可用。此外，在实验设置中也存在不一致性-架构，超参数调整，运行次数-产生不公平的比较。这项工作的主要目标是提供一个现实的评价PDA方法与不同的模型选择策略下一致的评价协议。我们使用7种不同的模型选择策略，在2个不同的真实数据集上评估了7种代表性的PDA算法。我们的两个主要发现是：（i）如果没有用于模型选择的目标标签，方法的准确性降低高达30个百分点;（ii）只有一种方法和模型选择对在两个数据集上都表现良好。实验是用我们开源的PyTorch框架BenchmarkPDA进行的。
2022-10-03 cs.CV cs.LG stat.ML
Partial Domain Adaptation without Domain Alignment
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
无监督领域自适应（UDA）的目的是将知识从一个良好标记的源域转移到一个不同但相关的未标记的目标域，具有相同的标签空间。目前，解决UDA的主要工具是域对齐，这已经被证明是成功的。然而，通常很难找到具有相同标签空间的适当源域。更实际的情况是所谓的部分领域自适应（PDA），其中源标签集或空间包含目标标签集或空间。不幸的是，在PDA中，由于源域中不相关类别的存在，很难获得完美的对齐，从而导致模式坍塌和负转移。虽然已经通过降低不相关源类别的权重做出了一些努力，但是所使用的策略往往是繁重和危险的，因为确切地不相关类别是未知的。这些挑战促使我们寻找一种相对简单的替代方案来解决PDA。为了实现这一点，我们首先提供了一个彻底的理论分析，这说明了目标风险是有界的模型平滑度和域间差异。考虑到PDA求解中的完全对齐困难，我们转而关注模型的平滑性，而放弃风险较大的域对齐，以增强模型的适应性。具体来说，我们实例化的模型平滑作为一个相当简单的域内结构保持（IDSP）。据我们所知，这是第一次天真的尝试，以解决PDA没有域对齐。最后，我们在多个基准数据集上的实证结果表明，IDSP不仅在某些基准上明显优于PDA SOTA（例如，Cl->Rw上+10%，Ar->Rw上+8%），而且与标准UDA中的结构域对齐互补
2022-12-12 cs.CV cs.LG
Selective Transfer with Reinforced Transfer Network for Partial Domain Adaptation
Zhejiang University（浙江大学）
部分领域自适应（PDA）的一个关键问题是如何在共享类中选择相关的源样本进行知识转移。以前的PDA方法通过基于源样本的高级信息（深度特征）重新加权源样本来解决这个问题。然而，由于源域和目标域之间的域移位，仅使用深度特征进行样本选择是有缺陷的。我们认为，这是更合理的额外利用PDA问题的像素级信息，异常源类和目标类之间的外观差异是显着的大。在本文中，我们提出了一个增强的传输网络（RTNet），它利用高层和像素级信息的PDA问题。我们的RTNet由一个基于强化学习（RL）的强化数据选择器（RDS）和一个领域自适应模型组成，前者过滤掉离群源样本，后者最小化共享标签空间中的领域差异。具体来说，在RDS中，我们设计了一种新的奖励的基础上重建错误的目标生成器上的选定的源样本，它引入像素级的信息来指导RDS的学习。此外，我们开发了一个包含高级信息的状态，用于RDS的样本选择。建议的RDS是一个通用的模块，它可以很容易地集成到现有的DA模型，使他们适合PDA的情况。大量的实验表明，RTNet可以实现国家的最先进的性能PDA任务在几个基准数据集。
2020-02-28 cs.CV cs.LG stat.ML
Soft-Masked Semi-Dual Optimal Transport for Partial Domain Adaptation
School of Mathematics, Sun Yat-Sen University（中山大学数学学院）；Department of Electrical Engineering, City University of Hong Kong（香港城市大学电子工程系）
本文提出软掩码半对偶最优传输方法，通过类别权重重加权源域、软掩码距离矩阵和神经网络近似 Kantorovich 势，解决部分域自适应中标签空间不一致与域偏移问题。
2025-05-03 cs.AI cs.CV
Bi-level Unbalanced Optimal Transport for Partial Domain Adaptation
School of Mathematics, Sun Yat-Sen University（中山大学数学学院）；Department of Electrical and Engineering, City University of Hong Kong（香港城市大学电子工程系）
针对部分域适应中离群类识别和簇结构利用不足的问题，提出双层不平衡最优传输BUOT，通过样本级与类级传输协作实现跨域对齐和离群判别。
2025-05-19 cs.AI cs.CV cs.LG
Minimum Class Confusion for Versatile Domain Adaptation
Tsinghua University（清华大学）
存在各种受标签集和域配置影响的领域自适应（DA）场景，包括闭集和部分集DA，以及多源和多目标DA。值得注意的是，现有DA方法通常仅针对特定场景设计，并且对于它们不适合的场景可能表现不佳。为此，本文研究了通用领域自适应（VDA），其中一种方法可以处理几个不同的DA场景，而无需任何修改。为了实现这一目标，一个更普遍的归纳偏见以外的领域对齐应探讨。我们深入研究了现有方法中缺失的一部分：类混淆，即分类器混淆目标示例的正确类和模糊类之间的预测的倾向，这在不同的DA场景中很常见。我们发现，减少这种成对的类混淆导致显着的传输增益。基于这种认识，我们提出了一个通用的损失函数：最小类混淆（MCC）。它可以被描述为（1）一种非对抗性DA方法，无需显式部署域对齐，具有更快的收敛速度;（2）一种通用方法，可以处理四种现有场景：闭集，部分集，多源和多目标DA，在这些场景中表现优于最先进的方法，特别是在迄今为止最大和最困难的数据集之一（DomainNet上为7.3%）。它的多功能性进一步证明了本文提出的两种情况：多源部分DA和多目标部分DA。此外，它也可以用作一个通用的正则化，是正交的和互补的各种现有的DA方法，加速收敛，并推动这些容易竞争的方法，以更强的。代码可在https://github.com/thuml/Versatile-Domain-Adaptation上获得。
2020-08-10 cs.CV cs.LG stat.ML
FADRA: Frequency-Aware Diffusion with Residual Adaptation for Video Face Restoration
United Arab Emirates University (UAEU)（阿联酋大学）；Ocean University of China (OUC)（中国海洋大学）；Mohamed bin Zayed University of Artificial Intelligence (MBZUAI)（穆罕默德·本·扎耶德人工智能大学）
研究针对视频人脸识别在复杂退化下难以平衡空间保真度和时间连贯性的问题，提出FADRA框架，利用预训练模型的时间一致性，通过LoRA适配器、重复残差自适应头及频率感知损失等实现，实验证明其在恢复面部结构和保持时间一致性上优于现有方法。
2026-10-16 cs.CV
DERA: Detached Edge-Residual Adaptation for Prohibited item Detection
针对X射线违禁品检测中物体叠加与纹理弱的问题，提出DERA框架，通过分离式边缘残差自适应注入边界先验，仅用14.7K参数在三个数据集上提升基线AP 1.6-3.1点。
2026-09-14 cs.CV
Background Adaptation with Residual Modeling for Exemplar-Free Class-Incremental Semantic Segmentation
School of Computer Science and Technology, Beijing Institute of Technology（北京理工大学计算机科学与技术学院）
针对类增量语义分割中的背景偏移挑战，提出基于残差建模的背景自适应机制及配套损失与蒸馏策略，在多个数据集上优于现有无样本最优方法，兼顾新类准确率与旧类记忆保留。
2024-07-13 cs.CV
R-FLoRA: Residual-Statistic-Gated Low-Rank Adaptation for Single-Image Face Morphing Attack Detection
SAFE Center, Department of Information Security and Communication Technology, Norwegian University of Science and Technology (NTNU)（安全中心，信息安全与通信技术系，挪威科学技术大学（NTNU））
本文提出一种基于残差统计门控的低秩适应方法，用于检测单图像人脸变形攻击，通过融合特征残差和语义上下文，提升对局部变形伪影的敏感度，并在多个数据集上验证了其检测准确性和跨域泛化能力。
2026-04-19 cs.CV
DARA: Degradation-Aware Low-Rank Residual Adaptation with Original-to-Corrupted Distillation for Corruption-Robust Animal Re-Identification
The University of Auckland（奥克兰大学）
研究抗损坏动物再识别，提出DARA方法，冻结微调主干，通过学习低秩残差专家适应退化输入嵌入，结合原始到损坏蒸馏稳定修复，实验证明其在损坏查询检索上表现优异，能推广且计算量小。
2026-07-21 cs.CV
Prompt-Anchored Residual Adaptation for Biomedical Vision-Language Models
Imperial College London（帝国理工学院）；The Chinese University of Hong Kong（香港中文大学）
针对生物医学图像少样本分类中支持集组成导致的预测偏差，提出提示锚定残差自适应（PARA），以冻结提示预测为锚点学习残差，实现最先进的少样本分类与泛化性能。
2026-09-29 cs.CV cs.LG
Bridging the Perceptual Gap: Residual-Enhanced Downscaling and Manifold-Aware Perception Alignment Adaptation for NR-IQA
Harbin Institute of Technology（哈尔滨工业大学）
本文提出跨模态感知对齐适配器（CMPA），通过感知敏感特征提取器与残差增强降采样策略，解决CLIP在无参考图像质量评估中感知信号被语义淹没的问题，显著超越现有方法。
2026-09-16 cs.CV
Beyond Domain-Level Adaptation: Margin-Oriented Semantic-Appearance Interaction Correction for Personalized Federated Vision-Language Models
针对联邦视觉-语言模型个性化中领域异质性问题，提出MOSAIC方法，通过决策感知危害性评分与低秩残差适配器建模细粒度类别-领域交互，并在多个基准上持续提升宏客户端top-1准确率。
2026-10-02 cs.CV
ResiDualGAN: Resize-Residual DualGAN for Cross-Domain Remote Sensing Images Semantic Segmentation
Institute of Remote Sensing and Geographic Information System, Peking University（北京大学遥感与地理信息系统研究所）
在一个已标注数据集上预训练的遥感图像语义分割模型在另一个未标注数据集上测试时，由于领域差距的存在，其性能会大大降低。对抗性生成方法，例如，DualGAN用于不成对的图像到图像的转换，以最小化像素级域间隙，这是无监督领域自适应（UDA）的常用方法之一。然而，现有的图像平移方法在进行遥感图像平移时面临两个问题：1）忽略了两个遥感数据集之间的尺度差异，这极大地影响了尺度不变对象的精度性能; 2）忽略了遥感图像的实-实平移特性，这给模型的训练带来了不稳定因素。本文提出了一种用于遥感图像翻译的ResidDualGAN算法，其中网络内的尺寸调整器模块用于解决遥感数据集的尺度差异问题，残差连接用于增强实景图像翻译的稳定性和提高跨域语义分割任务的性能。该方法结合输出空间自适应方法，极大地提高了在常用基准测试中的精度性能，验证了ResiDuanGAN的优越性和可靠性。最后，本文还对ResidualGAN的改进进行了深入的讨论，给出了合理的解释。我们的源代码可以在https://github.com/miemieyanga/ResiDualGAN-DRDG上找到。
2022-10-28 cs.CV
KeepLoRA++: Continual Learning with Layer-Scaled Residual Gradient Adaptation
School of Computer Science and Engineering, Southeast University（东南大学计算机科学与工程学院）；Key Laboratory of Computer Network and Information Integration, Southeast University, Ministry of Education（东南大学计算机网络和信息集成教育部重点实验室）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
针对预训练视觉语言模型持续学习中保留预训练知识、旧任务知识和学习新知识的冲突，提出KeepLoRA++，通过层级缩放残差梯度适应方法，限制LoRA参数更新到残差子空间并采用浅到深层缩放，平衡三者，在图像分类、视觉问答和视频理解任务上优于基线。
2026-06-16 cs.CV cs.LG
GeoBridge-VLA: Geometry-Aware Residual Adaptation for Vision-Language-Action Models
Gachon University（嘉泉大学）
GeoBridge-VLA通过两阶段方法从冻结的视觉编码器中学习几何特征，利用门控残差增强视觉标记，无需深度输入，在LIBERO和实体机器人上均显著优于SmolVLA。
2026-10-06 cs.CV cs.RO
Learning Expressive Prompting With Residuals for Vision Transformers
Carnegie Mellon University（卡内基梅隆大学）；AWS AI Labs（AWS人工智能实验室）
快速学习是一种有效的方法，通过将可学习的参数集插入到预训练模型的输入和中间表示中来适应Transformers。在这项工作中，我们提出了表达性记忆（EXPRESS），它修改了提示学习范式，专门用于有效适应视觉Transformer（ViT）。Out方法通过可学习的“输出”标记构造下游表示，这些标记类似于ViT的学习类标记。此外，为了更好地引导由冻结的Transformer处理的下游表示，我们引入了添加到各种计算的输出中的剩余可学习令牌。我们将EXPRESS应用于图像分类，少样本学习和语义分割，并表明我们的方法能够在VTAB基准测试的3/3类别上实现最先进的提示微调。除了强大的性能，我们观察到，我们的方法是一个数量级更迅速的效率比现有的视觉提示基线。我们分析表明，我们的方法的计算效益比权空间自适应技术，如微调。最后，我们通过一系列的烧蚀实验系统地证实了我们的方法的架构设计。
2023-03-27 cs.CV
Energy-Based Residual Latent Transport for Unsupervised Point Cloud Completion
Australian National University（澳大利亚国立大学）；Data61, CSIRO（联邦科学与工业研究组织数据61研究所）
无监督点云补全的目的是推断部分对象观测的整个几何形状，而不需要部分-完全对应。与现有的确定性方法不同，我们提倡基于生成式建模的无监督点云完成，以探索缺失的对应关系。具体而言，我们提出了一种新的框架，通过使用潜在的传输模块将部分形状编码转换为完整的编码来完成，并且它被设计为编码器-解码器架构中的基于潜在空间能量的模型（EBM），旨在学习以部分形状编码为条件的概率分布。为了联合训练潜在代码传输模块和编码器-解码器网络，我们引入了残差采样策略，其中残差捕获部分和完整形状潜在空间之间的域间隙。作为一个基于生成模型的框架，我们的方法可以产生与人类感知一致的不确定性地图，从而实现可解释的无监督点云完成。我们的实验表明，所提出的方法产生高保真的完成结果，优于国家的最先进的模型的显着保证金。
2022-11-13 cs.CV
Multi-site Organ Segmentation with Federated Partial Supervision and Site Adaptation
Beijing UCAS Space Technology Co., Ltd.（北京国科大空间技术有限公司）；University of Science and Technology of China（中国科学技术大学）；Institute of Computing Technology, CAS（中国科学院计算技术研究所）
目标和影响声明：准确的器官分割对于不同临床地点的许多临床应用至关重要，这些临床地点可能具有涉及不同器官的特定应用要求。简介：然而，学习高质量的、特定于部位的器官分割模型是具有挑战性的，因为它通常需要现场管理大量带注释的图像。安全问题使问题更加复杂。方法：本文旨在通过两阶段聚合然后适应的方法来应对这些挑战。联合聚合的第一阶段通过利用“更大数据”的力量来学习单个多器官分割模型，所述“更大数据”通过以下方式形成：（i）将来自具有不同器官标签的多个站点的数据集聚合在一起以提供部分监督，以及（ii）在没有数据泄露的情况下进行部分监督学习。站点自适应的第二阶段是将联合多器官分割模型转换为特定于站点的器官分割模型，每个站点一个模型，以便进一步提高每个站点的器官分割任务的性能。此外，改进的边际损失和排斥损失函数被用来避免部分监督机制中的“知识冲突”问题。结果与结论：在五个器官分割数据集上的广泛实验证明了我们的多站点方法的有效性，显著优于站点本身学习模型，并实现了与集中学习模型相当的性能。
2023-02-08 cs.CV
MADPOT: Medical Anomaly Detection with CLIP Adaptation and Partial Optimal Transport
Department of Computer Science, University of Verona（威尼斯大学计算机科学系）；AI for Good (AIGO) Research Unit, Istituto Italiano di Tecnologia（意大利技术研究院人工智能为善研究单元）
提出MADPOT方法，结合视觉适配器、提示学习、部分最优传输和对比学习，提升CLIP在医学异常检测中的性能，在少样本、零样本和跨数据集场景下达到最先进水平。
2025-07-09 cs.CV
DT-LoRA: Reaching Beyond the Tangent Space of Low-Rank Adaptation
Chongqing University of Posts and Telecommunications（重庆邮电大学）；Anhui University of Science and Technology（安徽理工大学）；Northeastern University（东北大学）
DT-LoRA通过划分秩预算为稳定与动态分支捕获残差梯度方向，在不增加参数或推理成本下，于多任务及语义分割开放词汇域泛化中优于LoRA及相关方法，达SOTA
2026-10-14 cs.CV cs.LG
CPR-GCN: Conditional Partial-Residual Graph Convolutional Network in Automated Anatomical Labeling of Coronary Arteries
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；University of Wisconsin Madison（威斯康星大学麦迪逊分校）
自动解剖标记在冠状动脉疾病诊断过程中起着至关重要的作用。这个问题的主要挑战是人体解剖学中遗传的巨大个体差异。现有的方法通常依赖于冠状动脉树的位置信息和拓扑结构的先验知识，这可能会导致性能不理想时，主要分支混淆。鉴于图神经网络在结构化数据中的广泛应用，本文提出了一种条件部分剩余图卷积网络（CPR-GCN），它同时考虑了位置和CT图像，因为CT图像包含了分支大小和生成方向等丰富的信息。CPR-GCN包含两个主要部分：部分残差GCN和条件提取器。条件提取器是包含3D CNN和LSTM的混合模型，其可以沿着分支提取3D空间图像特征。在技术方面，Partial-Residual GCN以分支的位置特征为基础，以3D空间图像特征为条件，预测每个分支的标签。而在数学方面，我们的方法扭曲的偏微分方程（PDE）到图形建模。从诊所收集了511名受试者的数据集，并由两名专家使用两阶段注释过程进行注释。根据五重交叉验证，我们的CPR-GCN产生95.8%的平均召回率，95.4%的平均精度和0.955的平均F1，这优于最先进的方法。
2020-04-18 cs.CV eess.IV
