基于不确定性感知多视角协同训练的 3D 半监督学习
计算机视觉与模式识别
2020-02-25 v2
摘要
尽管深度神经网络在各领域产生了巨大影响，其训练通常需要大量标注数据，而在许多应用（尤其是医学领域）中收集这些数据代价高昂。另一方面，未标注数据则丰富得多。半监督学习技术（如协同训练）可提供利用未标注数据的有力工具。本文提出一种新框架——不确定性感知多视角协同训练（UMCT），以解决 3D 数据（如医学影像中的体数据）上的半监督学习问题。在我们的工作中，协同训练通过利用 3D 数据的多视角一致性实现。我们通过旋转或置换 3D 数据生成不同视图，并利用非对称 3D 核以在不同子网络中鼓励多样化特征。此外，我们提出一种不确定性加权标签融合机制，借助贝叶斯深度学习估计各视图预测的可靠性。由于协同训练中一个视图需要其他视图的监督，我们的自适应方法为每个未标注样本的预测计算置信度分数，以指派可靠的伪标签。因此，我们的方法能在训练中利用未标注数据。我们在多个医学图像分割任务的公开数据集（NIH 胰腺与 LiTS 肝脏肿瘤数据集）上展示了所提半监督方法的有效性。同时，基于我们方法的全监督方法在 LiTS 肝脏肿瘤分割与医学分割十项全能（MSD）挑战赛上均取得最先进性能，证明了即便在全监督训练可行时，我们框架的鲁棒性与价值。
引用
@article{arxiv.1811.12506,
title = {3D Semi-Supervised Learning with Uncertainty-Aware Multi-View Co-Training},
author = {Yingda Xia and Fengze Liu and Dong Yang and Jinzheng Cai and Lequan Yu and Zhuotun Zhu and Daguang Xu and Alan Yuille and Holger Roth},
journal= {arXiv preprint arXiv:1811.12506},
year = {2020}
}
备注
Accepted to WACV 2020