自监督预训练在皮肤病变分析中的评估
计算机视觉与模式识别
2022-08-23 v3
摘要
自监督预训练作为监督预训练在迁移学习中的有利替代方案而出现。通过在 pretext 任务上合成标注，自监督能够在将模型微调至目标任务之前，利用大量伪标签对模型进行预训练。在这项工作中，我们评估了自监督在皮肤病变诊断中的表现，在五个包含分布内与分布外样本的测试数据集上，将三种自监督流程与一个具有挑战性的监督基线进行比较。我们的结果表明，自监督在提升准确率与降低结果变异性方面均具竞争力。自监督在低训练数据场景（少于 1500 与少于 150 个样本）中尤为有用，其稳定结果的能力对于提供可靠结果至关重要。
引用
@article{arxiv.2106.09229,
title = {An Evaluation of Self-Supervised Pre-Training for Skin-Lesion Analysis},
author = {Levy Chaves and Alceu Bissoto and Eduardo Valle and Sandra Avila},
journal= {arXiv preprint arXiv:2106.09229},
year = {2022}
}
备注
18 pages, 3 figures. Accepted at Seventh ISIC Skin Image Analysis Workshop @ECCV 2022