Heterogeneous Graph Attention Network for Unsupervised Multiple-Target Domain Adaptation
上线时间：2020-09-23
期刊：IEEE TPAMI
链接：https://ieeexplore.ieee.org/document/9204804
工程意义：多目标域
工程创新：异构图注意力网络，学习域无关空间。
方法：通过异构图注意力网络学习所有域通用的统一子空间，其中图注意力网络的转导能力可以在多个域之间进行相关样本的语义传播。注意力机制被应用于优化多个领域样本的关系，以实现更好的语义转移。然后，利用图注意力网络预测的目标域的伪标签，通过对齐标记的源域和伪标记的目标域来学习域不变表示。
开源：否
评论：一直以来，使用图网络理论上会获得比传统深度网络更好的逻辑和方法，但在深度学习方法已经能做到disentanglement的情况下，这里用图网络来学domain invariant的内容，就显得在方法上写的不够先进。
Generalizable Cross-modality Medical Image Segmentation via Style Augmentation and Dual Normalization
上线时间：2021-12-21
期刊：CVPR 2022
链接：https://arxiv.org/abs/2112.11177
临床意义：更少的数据和标签需求
工程创新：从UDA到DG，应用风格增强+双路归一化。
方法：首先利用非线性变换来增强源相似和源不同的图像。共享主干网络，在归一化层进行单独归一化。之后，使用基于样式的选择方案，在测试阶段自动选择合适的数据路径。
开源：https://github.com/zzzqzhou/Dual-Normalization
评论：一直以来很多工作都在试图用DG来代替UDA，但在公开数据上，DG常常结果一般。
