cRedAnno+：自解释性肺结节诊断中的标注利用
图像与视频处理
2022-11-09 v2 计算机视觉与模式识别
摘要
近来，人们尝试在基于特征的自解释性肺结节诊断模型中降低标注需求。作为代表性工作，cRedAnno 通过引入自监督对比学习进行无监督特征提取，以显著减少的标注量取得了具有竞争力的性能。然而，在标注稀缺条件下其表现不稳定。为提升 cRedAnno 的准确率和鲁棒性，我们提出一种标注利用机制：在学到的具有语义意义的推理空间中，通过稀疏播种与训练淬灭的半监督主动学习，联合利用提取的特征、标注和未标记数据。所提方法以少 10 倍的标注取得了相当甚至更高的恶性预测准确率，同时在 1% 标注条件下展现出更好的鲁棒性与结节属性预测准确率。我们的完整代码已开源：https://github.com/diku-dk/credanno。
引用
@article{arxiv.2210.16097,
title = {cRedAnno+: Annotation Exploitation in Self-Explanatory Lung Nodule Diagnosis},
author = {Jiahao Lu and Chong Yin and Kenny Erleben and Michael Bachmann Nielsen and Sune Darkner},
journal= {arXiv preprint arXiv:2210.16097},
year = {2022}
}
备注
5 pages, 5 figures, 2 tables. arXiv admin note: text overlap with arXiv:2206.13608