本文介绍了关于图像分类的新方法。

1.论文标题：DAFD: Domain Adaptation via Feature Disentanglement for Image Classification

作者：Zhize Wu, Changjiang Du, Le Zou, Ming Tan, Tong Xu, Fan Cheng, Fudong Nian, Thomas Weise

论文地址：https://arxiv.org/pdf/2301.13337.pdf

摘要 : 良好的特征表示是图像分类的关键。 在实践中，图像分类器可能应用于不同于它们所受训练的场景。 这种所谓的域偏移导致图像分类的性能显着下降。 无监督域适应 (UDA) 通过将从标记的源域学习的知识转移到未标记的目标域来减少域转移。 我们通过提取与类别相关的特征并从全局特征图中排除与类别无关的特征来为 UDA 执行特征分离。 这种分离可以防止网络过度拟合与类别无关的信息，并使其专注于对分类有用的信息。 这降低了域对齐的难度，提高了目标域上的分类精度。 我们提出了一种从粗到精的域自适应方法，称为通过特征解缠的域自适应~（DAFD），它有两个组成部分：（1）类别相关特征选择（CRFS）模块，它将类别相关特征从 与类别无关的特征，以及 (2) 动态局部最大均值差异 (DLMMD) 模块，它通过减少来自不同域的类别相关特征内的差异来实现细粒度对齐。 结合 CRFS，DLMMD 模块可以正确对齐类别相关的特征。 我们对四个标准数据集进行了综合实验。 我们的结果清楚地证明了我们的方法在域自适应图像分类任务中的稳健性和有效性及其与现有技术的竞争力。

2.论文标题：Self-Supervised Curricular Deep Learning for Chest X-Ray Image Classification

作者: Iván de Andrés Tamé, Kirill Sirotkin, Pablo Carballeira, Marcos Escudero-Viñolo

论文地址：https://arxiv.org/pdf/2301.10687.pdf

摘要 : 深度学习技术已经展示了从医学成像数据（例如胸部 X 光图像）构建诊断支持系统的巨大潜力。 然而，医学领域中标记数据的短缺是缩小与其他图像领域应用程序的性能差距的一个关键障碍。 在这项工作中，我们研究了课程自监督学习 (SSL) 预训练方案对于 Covid-19 患者胸部 X 光图像肺炎识别的完全监督训练制度的好处。 我们表明，利用未标记数据的课程 SSL 预训练优于从头开始训练或在 ImageNet 上预训练的模型，表明通过 SSL 预训练对大量未标记数据集进行性能提升的潜力。 最后，我们证明了表现最好的 SSLpretrained 模型在肺部区域表现出更高程度的关注，体现了可能对训练数据集中可能的外部混杂因素更稳健的模型，由以前的工作确定。

内容中包含的图片若涉及版权问题，请及时与我们联系删除