用于 CT 胸部分割的持续类增量学习
计算机视觉与模式识别
2020-08-14 v1
摘要
深度学习器官分割方法需要大量标注训练数据，但由于保密性以及专家手动标注耗时等原因，这类数据供给有限。因此，能够在无法访问先前所用数据的情况下增量训练模型是值得期待的。一种常见的顺序训练形式是微调（FT）。在该设定下，模型能有效学习新任务，但在已学任务上性能下降。学习而不遗忘（LwF）方法通过在模型训练时重放其对过去任务的预测来解决此问题。在这项工作中，我们使用公开可用的 AAPM 数据集评估了 FT 和 LwF 在多器官分割中的类增量学习。我们表明 LwF 能成功保留关于先前分割的知识，然而其学习新类的能力随每个类的加入而下降。为解决该问题，我们提出了一种对抗式持续学习分割方法（ACLSeg），它将特征空间解耦为任务特定和任务不变特征。这使得在过往任务上保持性能的同时有效获取新知识成为可能。
引用
@article{arxiv.2008.05557,
title = {Continual Class Incremental Learning for CT Thoracic Segmentation},
author = {Abdelrahman Elskhawy and Aneta Lisowska and Matthias Keicher and Josep Henry and Paul Thomson and Nassir Navab},
journal= {arXiv preprint arXiv:2008.05557},
year = {2020}
}