Few-Shot Domain Adaptive Object Detection for Microscopic Images

近年来，已经提出了许多域自适应策略，以帮助深度学习模型克服由于域偏移而带来的挑战。然而，即使是无监督的域自适应策略仍需要大量的目标数据。医学成像数据集通常具有类别不平衡和标记和未标记数据的稀缺性。Few-shot域自适应目标检测(FSDAOD)解决了将目标检测器适应于具有有限标记数据的目标域的挑战。现有的工作在处理随机选择的目标域图像时存在困难，这些图像可能不能准确地代表真实人群，导致对小验证集的过度拟合和对更大测试集的泛化能力差。医学数据集具有高类别不平衡性和背景相似性，导致目标域中的假阳性增加和平均精度（map）降低。为了克服这些挑战，我们提出了一种新颖的用于显微成像的FSDAOD策略。我们的贡献包括用于少样本场景的域自适应类别平衡策略，多层实例级别的域内和域间对齐以增强类实例之间的相似性，以及在目标检测器的中间层应用实例级别的分类损失来强制保留对于跨域正确分类所必需的特征。大量的实验结果与竞争基线表明了我们方法的有效性，在两个公共显微镜数据集上实现了最先进的结果。代码可在https://github.co/intelligentMachinesLab/few-shot-domain-adaptive-microscopy上获得。

本文旨在解决医学图像数据集中标注数据稀缺、类别不平衡等问题，提出一种针对少样本情况下的目标检测领域自适应策略。

本文提出了一种新的针对少样本情况下医学显微镜图像的领域自适应目标检测策略，包括领域自适应类别平衡、多层次实例级别的领域内外对齐、中间层实例级别分类损失等。

本文的亮点包括：使用少样本情况下的医学显微镜图像数据集进行实验，提出了针对该情况的领域自适应目标检测策略，包括三个部分，其中领域自适应类别平衡、多层次实例级别的领域内外对齐、中间层实例级别分类损失是本文的创新点；实验结果表明，本文的方法在两个公共数据集上均取得了最先进的结果；作者开源了代码。

在最近的研究中，也有一些关于医学图像领域自适应目标检测的研究，例如：Few-shot Object Detection and Viewpoint Estimation for Objects in the Microscope Images，Few-shot Object Detection with Attention-RPN and Multi-relation Detector，Domain Adaptive Faster R-CNN for Object Detection in Histopathology Images等。