基于双重对齐的深度半监督度量学习用于宫颈癌细胞检测

深度学习在拥有海量标注数据的各种目标检测任务中取得了前所未有的成功。然而，由于对人力和专业知识的高度需求，获取医学图像的大规模标注极为困难。本文提出一种新颖的深度半监督度量学习方法，以有效利用标注与未标注数据进行宫颈癌细胞检测。具体而言，我们的模型学习一个度量空间，并在提议级别与原型级别上对语义特征进行双重对齐。在提议级别，我们将未标注数据与由标注数据导出的类代理对齐。我们进一步对齐标注与未标注数据的原型，以缓解提议对齐阶段可能生成的带噪伪标签的影响。此外，我们采用记忆库存储标注原型，显著丰富了来自更大批次的度量学习信息。大量实验表明，我们提出的方法持续优于其他最先进的半监督方法，证明了我们所提双重对齐深度半监督度量学习的有效性。