面向医学图像的类别平衡开放式半监督目标检测
计算机视觉与模式识别
2024-08-23 v1 人工智能
摘要
医学图像数据集在现实世界中常存在标签缺失和类别不平衡的情况，半监督目标检测（SSOD）可利用无标签数据来提高目标检测器的性能。然而，现有方法主要假设无标签数据和测试数据中不包含超出分布（OOD）类别。已有的少数开放式半监督目标检测方法存在两个缺点：其一，未考虑类别不平衡问题；其二，在伪标签生成过程中，对OOD实例进行区分并简单丢弃。本文考虑开放式半监督目标检测问题，旨在利用包含OOD类别的无标签数据来提高医学图像的目标检测性能。我们的研究包含两个关键创新点：类别控制嵌入（CCE）和超出分布检测融合分类器（OODFC）。CCE通过构建前景信息库来解决数据集不平衡问题，而OODFC通过将“未知”信息整合到基本伪标签中来应对开放集挑战。我们的方法在SOTA SSOD性能方面取得显著提升，在公开的寄生虫数据集上实现了4.25的mAP提升。
引用
@article{arxiv.2408.12355,
title = {Class-balanced Open-set Semi-supervised Object Detection for Medical Images},
author = {Zhanyun Lu and Renshu Gu and Huimin Cheng and Siyu Pang and Mingyu Xu and Peifang Xu and Yaqi Wang and Yuichiro Kinoshita and Juan Ye and Gangyong Jia and Qing Wu},
journal= {arXiv preprint arXiv:2408.12355},
year = {2024}
}