CROCODILE：因果性方法在鲁棒性中的应用——基于对比性无监督特征分离学习
图像与视频处理
2024-08-12 v1 人工智能
计算机视觉与模式识别
机器学习
摘要
由于域迁移问题，深度学习图像分类器在应用到不同于训练域的环境时表现较差。例如，在一家医院训练的胸部X光(CXR)图像分类器，由于扫描仪设置或患者特征的差异，可能无法很好地推广到另一家医院的图像上。在本文中，我们介绍了CROCODILE框架，展示了如何通过特征分离、对比学习损失以及注入先验知识，利用因果工具来促进模型对域迁移的鲁棒性。通过这种方式，模型更少地依赖于伪关联，更好地学习了从图像到预测的机制，并在分布外(OOD)数据上超越基线方法。我们将该方法应用于CXR的多标签肺部疾病分类，利用来自四个数据集的超过75万张图像。我们的偏差缓解方法改善了域泛化和公平性，拓宽了深度学习模型在更安全的医学图像分析中的适用性和可靠性。请访问：https://github.com/gianlucarloni/crocodile获取我们的代码。
引用
@article{arxiv.2408.04949,
title = {CROCODILE: Causality aids RObustness via COntrastive DIsentangled LEarning},
author = {Gianluca Carloni and Sotirios A Tsaftaris and Sara Colantonio},
journal= {arXiv preprint arXiv:2408.04949},
year = {2024}
}
备注
MICCAI 2024 UNSURE Workshop, Accepted for presentation, Submitted Manuscript Version, 10 pages