《表3 与无监督域自适应方法的比较》
注:表中加粗数据为最优值。
将无监督域自适应方法与本文方法在角化病上的识别结果进行对比。DANN是无监督域自适应常用的方法之一,该方法引入对抗思想,利用域分类器来匹配特征分布[23];DeepJDOT在一个单一的CNN框架中学习两个域和分类器之间的嵌入,使用基于最优传输的域自适应设计损失函数,可以很好地实现域自适应[24]。表3给出了这两个无监督域自适应方法和本文方法在角化病识别上的对比结果。
图表编号 | XD00156785800 严禁用于非法目的 |
---|---|
绘制时间 | 2020.09.10 |
作者 | 景海婷、张秦、陈曼、张兰、李政霄、祝继华、李钟毓 |
绘制单位 | 西安交通大学软件学院、西安交通大学第二附属医院、西安交通大学第二附属医院、西安交通大学第一附属医院东院、西安交通大学第二附属医院、西安交通大学软件学院、西安交通大学软件学院 |
更多格式 | 高清、无水印(增值服务) |