组织病理学中使用主动采样的数据高效对比学习
计算机视觉与模式识别
2024-07-23 v4
摘要
基于深度学习 (DL) 的诊断系统可在数字病理学中提供准确且鲁棒的定量分析。这些算法需要大量标注训练数据，而由于组织病理学图像的高分辨率，在病理学中这是不切实际的。因此，已有研究提出自监督方法，利用临时设计的代理任务来学习特征。自监督训练过程使用大型无标注数据集，使得学习过程耗时。在本工作中，我们提出一种新方法，使用小型代理网络从训练集中主动采样信息量大的样本，在保持与传统自监督学习方法相同性能的同时，将样本需求降低 93%、训练时间减少 62%。代码可在 https://github.com/Reasat/data_efficient_cl 获取。
引用
@article{arxiv.2303.16247,
title = {Data Efficient Contrastive Learning in Histopathology using Active Sampling},
author = {Tahsin Reasat and Asif Sushmit and David S. Smith},
journal= {arXiv preprint arXiv:2303.16247},
year = {2024}
}
备注
fixed typos, added analysis on sample selection, Accepted at MLWA