一种用于含噪标签半监督生物医学分割的双流互注意力网络
计算机视觉与模式识别
2018-12-27 v3
摘要
基于学习的方法受限于干净标注的不足,尤其在生物医学分割中。尽管已提出许多半监督方法以提供额外训练数据,自动生成的标签通常过于嘈杂,无法有效重训练模型。本文提出一种双流互注意力网络(TSMAN),削弱由错误标签引起的反向传播梯度的影响,从而使网络对不干净数据具有鲁棒性。所提TSMAN由两个子网络构成,通过不同层的三类注意力模型相连。每个注意力模型的目标是通过分析两子网络对同一输入推断的特征,指示各子网络在特定层中潜在错误的梯度。为实现此目的,注意力模型基于不同层噪声梯度的传播分析设计。这使得注意力模型能有效发现错误标签并在参数更新过程中削弱其影响。通过在双流架构内交换多级特征,各子网络中噪声标签的影响通过减小更新梯度而降低。此外,开发了分层蒸馏为无标签数据提供更可靠的伪标签,进一步提升我们重训练TSMAN的性能。使用HVSMR 2016与BRATS 2015基准的实验表明,我们的半监督学习框架超越了最先进的 fully-supervised 结果。
引用
@article{arxiv.1807.11719,
title = {A Two-Stream Mutual Attention Network for Semi-supervised Biomedical Segmentation with Noisy Labels},
author = {Shaobo Min and Xuejin Chen and Zheng-Jun Zha and Feng Wu and Yongdong Zhang},
journal= {arXiv preprint arXiv:1807.11719},
year = {2018}
}