DeepFEL：用于组织病理学图像分析的深度快餐集成学习
图像与视频处理
2023-01-24 v1 计算机视觉与模式识别
机器学习
摘要
计算病理学任务具有一些独特特征，例如多千兆像素图像、繁琐且常不确定的标注，以及大量病例的不可用性[13]。为解决其中部分问题，我们提出深度快餐集成（Deep Fastfood Ensembles）——一种简单、快速且有效的方法，用于组合从在完全不同源域（例如自然图像物体）上预训练的流行 CNN 模型中池化的深度特征，并使用随机投影（即所谓 Fastfood[11]）投影到多样维度。最终集成输出由简单个体分类器的共识获得，每个分类器在不同的随机基向量集合上训练。这提供了极快且有效的解决方案，尤其在训练时间与域标签至关重要时。我们针对组织病理学图像分析中的三个不同任务，展示了所提出的深度快餐集成学习相比最先进方法的有效性。
引用
@article{arxiv.2301.09525,
title = {DeepFEL: Deep Fastfood Ensemble Learning for Histopathology Image Analysis},
author = {Nima Hatami},
journal= {arXiv preprint arXiv:2301.09525},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2104.00669