用于半监督学习的判别性一致域生成
机器学习
2019-07-25 v1 计算机视觉与模式识别
图像与视频处理
机器学习
摘要
基于深度学习的任务系统通常依赖大量人工标注的训练数据，这些数据获取成本高且易受操作者差异影响。此外，人工标注数据和未标注数据并不总是处于同一分布中。在本文中，我们通过提出一种判别性一致域生成 (DCDG) 方法来实现半监督学习，从而缓解这些问题。判别性一致域通过双向域适应来实现。双向域适应旨在融合标注数据和未标注数据的特征空间。通过这种方式，我们可以适应标注数据和未标注数据之间各种分布的差异。为了在任务学习中保持生成的一致域的判别性，我们对双向域适应应用了间接学习。基于生成的判别性一致域，我们可以通过一致图像生成，利用未标注数据连同标注数据一起学习任务模型。我们在两个临床中心采集自心房颤动患者的晚期钆增强心脏 MRI (LGE-CMRI) 图像上展示了我们提出的 DCDG 的性能，用于左心房解剖结构 (LA) 和近端肺静脉 (PVs) 的分割。实验表明，我们的半监督方法取得了极具竞争力的分割结果，这证明了 DCDG 在使用单中心或多中心研究获取的标注数据连同未标注数据进行半监督学习时的稳健性。
引用
@article{arxiv.1907.10267,
title = {Discriminative Consistent Domain Generation for Semi-supervised Learning},
author = {Jun Chen and Heye Zhang and Yanping Zhang and Shu Zhao and Raad Mohiaddin and Tom Wong and David Firmin and Guang Yang and Jennifer Keegan},
journal= {arXiv preprint arXiv:1907.10267},
year = {2019}
}
备注
MICCAI 2019