一种适用于眼部血管分割的领域自适应系统及方法

技术特征：
1.一种适用于眼部血管分割的领域自适应系统，其特征在于，包括：特征生成网络g，将从源域提取的有标记图像x
s
和从目标域提取的未标记目标图像x
t
作为输入，使源域和目标域差异最小化，从而使目标特征趋向于定位在源区域中；主分类器网络mc，在源数据上进行训练，防止样本接近决策边界，从而使训练稳定；第一辅助分类器网络ac1和第二辅助分类器网络ac2，在给定目标特征的情况下最大化差异，以检测超出源支持的目标样本。2.根据权利要求1所述的适用于眼部血管分割的领域自适应系统，其特征在于，使用从源域提取的有标记图像x
s
来训练系统所有网络，通过最小化以下等式中的分割损失来获取源数据的判别特征：其中y为标签，p为模型参数，代表模型判断x是y的概率。3.根据权利要求2所述的适用于眼部血管分割的领域自适应系统，其特征在于，固定特征生成网络g并训练第一辅助分类器网络ac1和第二辅助分类器网络ac2来扩大差异，以便在源域的支持范围外检测目标数据，考虑在源域上的分割损失，防止第一辅助分类器网络ac1和第二辅助分类器网络ac2对源数据进行错误分类，具体来说，将来自每个域的相同数量的样本用于训练两个辅助分类器网络。，目标函数如下：4.根据权利要求3所述的适用于眼部血管分割的领域自适应系统，其特征在于，固定所有分类器网络并训练特征生成网络g，减少三个分类器网络之间的差异损失，目标函数如下：5.根据权利要求4所述的适用于眼部血管分割的领域自适应系统，其特征在于，完成最大的一代训练后，由于目标样本距离主分类器网络mc的决策边界很远，选择主分类器网络mc作为最终分类器。6.一种权利要求5所述的适用于眼部血管分割的领域自适应系统的领域自适应方法，其特征在于，包括以下步骤：s1：特征生成网络g将从源域提取的有标记图像x
s
和从目标域提取的未标记目标图像x
t
作为输入，使源域和目标域差异最小化，从而使目标特征趋向于定位在源区域中；s2：主分类器网络mc在源数据上进行训练；s3：第一辅助分类器网络ac1和第二辅助分类器网络ac2在给定目标特征的情况下最大化差异，以检测超出源支持的目标样本。7.根据权利要求6所述的适用于眼部血管分割的领域自适应系统的领域自适应方法，其特征在于，使用从源域提取的有标记图像x
s
来训练系统所有网络，通过最小化以下等式中的分割损失来获取源数据的判别特征：
8.根据权利要求7所述的适用于眼部血管分割的领域自适应系统的领域自适应方法，其特征在于，固定特征生成网络g并训练第一辅助分类器网络ac1和第二辅助分类器网络ac2来扩大差异，以便在源域的支持范围外检测目标数据，考虑在源域上的分割损失，防止第一辅助分类器网络ac1和第二辅助分类器网络ac2对源数据进行错误分类，具体来说，将来自每个域的相同数量的样本用于训练两个辅助分类器网络。，目标函数如下：9.根据权利要求8所述的适用于眼部血管分割的领域自适应系统的领域自适应方法，其特征在于，固定所有分类器网络并训练特征生成网络g，减少三个分类器网络之间的差异损失，目标函数如下：10.根据权利要求9所述的适用于眼部血管分割的领域自适应系统的领域自适应方法，其特征在于，完成最大的一代训练后，由于目标样本距离主分类器网络mc的决策边界很远，选择主分类器网络mc作为最终分类器。

技术总结
本发明提供一种适用于眼部血管分割的领域自适应系统及方法，本发明通过两个辅助分类器和一个主要分类器非对称地训练模型。其中两个辅助分类器使用源样本和目标样本进行训练，从而在给目标特征的情况下最大化差异，以检测超出源支持的目标样本。同时，主分类器仅在源域上训练，使训练更加稳定，目标样本远离决策边界。边界。边界。


技术研发人员：王青 苏畅 陈子良 庄景宇 林倞
受保护的技术使用者：中山大学
技术研发日：2022.03.11
技术公布日：2022/6/28