医学图像合成：用于RUSS和分割的S-CycleGAN

链接表

摘要和1 引言

1. 相关工作

2. 问题设定

3. 方法论

   4.1. 决策边界感知蒸馏

   4.2. 知识巩固

4. 实验结果和5.1. 实验设置

   5.2. 与最先进方法的比较

   5.3. 消融研究

5. 结论和未来工作及参考文献

   \

补充材料

1. IIL中KCEMA机制理论分析的详细信息
2. 算法概述
3. 数据集详情
4. 实现细节
5. 灰尘输入图像的可视化
6. 更多实验结果

4. 方法论

如图2(a)所示，新观察中概念漂移的出现导致现有模型失效的外部样本的出现。新的IIL必须扩大决策边界以包含这些外部样本，同时避免在旧边界上发生灾难性遗忘(CF)。传统的基于知识蒸馏的方法依赖于一些保留的样例[22]或辅助数据[33, 34]来抵抗CF。然而，在所提出的IIL设置中，除了新的观察外，我们无法访问任何旧数据。如果不向模型添加新参数，基于这些新观察的蒸馏与学习新知识相冲突。为了在学习和不遗忘之间取得平衡，我们提出了一种不需要旧数据的决策边界感知蒸馏方法。在学习过程中，学生学到的新知识会间歇性地巩固回教师模型，这带来了更好的泛化能力，是该领域的先驱尝试。

\

\

:::info 作者：

(1) 聂强，香港科技大学（广州）；

(2) 付伟福，腾讯优图实验室；

(3) 林宇欢，腾讯优图实验室；

(4) 李佳林，腾讯优图实验室；

(5) 周一峰，腾讯优图实验室；

(6) 刘勇，腾讯优图实验室；

(7) 聂强，香港科技大学（广州）；

(8) 王成杰，腾讯优图实验室。

:::

:::info 本论文可在arxiv上获取，遵循CC BY-NC-ND 4.0 Deed（署名-非商业性使用-禁止演绎4.0国际）许可协议。

:::

\