为计算生物学适应自监督学习
计算机视觉与模式识别
2024-05-06 v1
摘要
自监督学习（SSL）已成为训练能够在无任务特定监督下对 diverse 任务具有良好泛化能力的网络的关键技术。这一特性使SSL在计算生物学中具有吸引力，即该领域研究组织化肤组织的数字图像，由于存在许多目标应用且往往缺乏标记训练样本。然而，SSL算法和模型主要是在自然图像领域开发的，其性能是否可以通过针对特定领域的改进来提升尚未得到确定。在本文中，我们提出了一项关于修改SSL以适应生物学数据的数据的调查，具体聚焦于DINOv2算法。我们提出了受生物学图像特征启发的替代数据增强、正则化函数和位置编码。我们在多个基准测试上评估了这些变更的影响，以证明精细化方法的价值。
引用
@article{arxiv.2405.01688,
title = {Adapting Self-Supervised Learning for Computational Pathology},
author = {Eric Zimmermann and Neil Tenenholtz and James Hall and George Shaikovski and Michal Zelechowski and Adam Casson and Fausto Milletari and Julian Viret and Eugene Vorontsov and Siqi Liu and Kristen Severson},
journal= {arXiv preprint arXiv:2405.01688},
year = {2024}
}
备注
Presented at DCA in MI Workshop, CVPR 2024