受生物启发的生物医学图像半监督语义分割
计算机视觉与模式识别
2025-03-19 v2
摘要
我们提出了一种新颖的受生物启发的半监督学习方法，用于训练下采样-上采样语义分割架构。第一阶段不使用反向传播。相反，它利用Hebbian原则“一起放电，一起连接”作为局部学习规则来更新卷积层和转置卷积层的权重，从而允许无监督地发现数据特征。在第二阶段，模型使用少量标记数据子集通过标准反向传播进行微调。我们通过在几个广泛使用的生物医学数据集上进行实验来评估我们的方法，认为该领域在计算机视觉中至关重要，并且尤其受到数据稀缺的影响。结果表明，我们提出的方法在不同标签可用性水平下均优于最先进的方法。此外，我们表明，使用我们的无监督阶段来初始化最先进的方法可以带来性能提升。复现我们实验的代码可在https://github.com/ciampluca/hebbian-bootstraping-semi-supervised-medical-imaging找到。
引用
@article{arxiv.2412.03192,
title = {Biologically-inspired Semi-supervised Semantic Segmentation for Biomedical Imaging},
author = {Luca Ciampi and Gabriele Lagani and Giuseppe Amato and Fabrizio Falchi},
journal= {arXiv preprint arXiv:2412.03192},
year = {2025}
}