提升深度迁移学习用于 COVID-19 分类
计算机视觉与模式识别
2021-02-17 v1 人工智能
机器学习
摘要
多项研究发现，使用胸部计算机断层扫描（CT）进行 COVID-19 分类具有实际效用。由于标注样本匮乏，这些研究推荐使用迁移学习，并探讨了预训练模型与数据增强的选择。然而，在 CT 数据有限的情况下，是否存在优于朴素迁移学习的策略以实现更精准的 COVID-19 分类仍属未知。本文给出了肯定答案，设计了一种新颖的“模型”增强技术，可显著提振该任务下迁移学习的性能。我们的方法系统性地减小了源域与目标域之间的分布偏移，并考虑以互补的表示学习技术来增强深度学习。我们利用公开可用的数据集与模型确立了方法的有效性，同时指出了先前研究中相互矛盾的观测结果。
引用
@article{arxiv.2102.08085,
title = {Boosting Deep Transfer Learning for COVID-19 Classification},
author = {Fouzia Altaf and Syed M. S. Islam and Naeem K. Janjua and Naveed Akhtar},
journal= {arXiv preprint arXiv:2102.08085},
year = {2021}
}
备注
5 pages