ATSO:用于半监督医学图像分割的异步师生优化
计算机视觉与模式识别
2020-08-10 v3
摘要
在医学图像分析中,半监督学习是一种从少量标注数据和大量未标注数据中提取知识的有效方法。本文关注一种称为自学习的热门流程,并指出其一个名为惰性学习的弱点,即模型难以从自身生成的伪标签中学习。为缓解该问题,我们提出 ATSO,一种异步版本的师生优化。ATSO 将未标注数据划分为两个子集,并交替使用一个子集微调模型、更新另一子集上的标签。我们在两个流行的医学图像分割数据集上评估 ATSO,并展示了其在多种半监督设定下的优越性能。经轻微修改,ATSO 可良好地迁移至自动驾驶数据的自然图像分割。
引用
@article{arxiv.2006.13461,
title = {ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation},
author = {Xinyue Huo and Lingxi Xie and Jianzhong He and Zijie Yang and Qi Tian},
journal= {arXiv preprint arXiv:2006.13461},
year = {2020}
}