处理基于胸部X光图像的半监督深度学习COVID-19检测中分布不匹配问题：一种利用特征密度的新方法
计算机视觉与模式识别
2021-09-03 v1
摘要
在全球冠状病毒大流行背景下，已提出多种利用胸部X光图像检测感染者的深度学习方案。然而，深度学习模型通常需要大量标注数据集才能有效。半监督深度学习是一种有吸引力的替代方案，其利用未标注数据来提升整体模型精度。但在实际使用场景中，未标注数据集可能呈现与标注数据集不同的分布(即标注数据集来自目标诊所，未标注数据集来自源诊所)。这导致未标注与标注数据集之间的分布不匹配。本工作中，我们评估了在利用胸部X光图像训练用于 COVID-19 检测的半监督模型时，标注与未标注数据集之间分布不匹配的影响。在强分布不匹配条件下，我们发现准确率下降近30%，表明未标注数据集分布对模型行为有强烈影响。因此，我们提出一种直接的方法来减弱此种分布不匹配的影响。我们提出的方法使用特征空间的密度近似。它构建于目标数据集之上，以过滤掉源未标注数据集中可能损害半监督模型准确率的观测样本。它假设存在一个较小的标注源数据集以及一个较大的未标注源数据集。我们提出的方法无需任何模型训练，简单且计算成本低廉。我们将提出的方法与两种流行的、同样廉价且易实现的 SOTA 分布外数据检测器进行比较。在我们的测试中，与先前 SOTA 方法相比，我们的方法带来了高达32%的准确率提升。
引用
@article{arxiv.2109.00889,
title = {Dealing with Distribution Mismatch in Semi-supervised Deep Learning for Covid-19 Detection Using Chest X-ray Images: A Novel Approach Using Feature Densities},
author = {Saul Calderon-Ramirez and Shengxiang Yang and David Elizondo and Armaghan Moemeni},
journal= {arXiv preprint arXiv:2109.00889},
year = {2021}
}