组合等变表示学习
计算机视觉与模式识别
2023-06-21 v2 机器学习
摘要
深度学习模型通常需要充足的监督（即标注数据）才能被有效训练。相比之下，人类只需极少的引导，就能迅速学会识别 MRI 和 CT 扫描等医学图像中的重要解剖结构。这种识别能力可轻松泛化到来自不同医疗机构的新图像以及不同环境中的新任务。这种快速且可泛化的学习能力很大程度上源于人脑中图像模式的组合结构，而当前的医学模型并未很好地表征该结构。本文中，我们研究在学习更具可解释性和泛化性的医学图像分割表示时如何利用组合性。总体而言，我们提出用于生成医学图像的底层生成因子满足组合等变性质，其中每个因子都是组合的（例如对应于人体解剖结构）且对任务等变。因此，一个能良好逼近真实因子的好的表示必须是组合等变的。通过使用可学习的 von-Mises-Fisher (vMF) 核来建模组合表示，我们探究了不同的设计与学习偏置如何被用于在无监督、弱监督和半监督设定下强制表示更具组合等变性。大量结果表明，我们的方法在半监督域泛化医学图像分割任务上优于多个强基线。代码将在录用后公开于 https://github.com/vios-s。
引用
@article{arxiv.2306.07783,
title = {Compositionally Equivariant Representation Learning},
author = {Xiao Liu and Pedro Sanchez and Spyridon Thermos and Alison Q. O'Neil and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2306.07783},
year = {2023}
}
备注
Submitted. 10 pages. arXiv admin note: text overlap with arXiv:2206.14538