用于高内涵成像的分治自监督学习
计算机视觉与模式识别
2025-03-11 v1 人工智能
机器学习
定量方法
摘要
自监督表示学习方法通常难以学习细微或复杂的特征，这些特征可能被更容易学习的简单模式所主导。这一局限性在科学与工程应用中尤为棘手，因为复杂特征对于发现和分析可能至关重要。为解决这一问题，我们提出了 Split Component Embedding Registration (SpliCER)，这是一种新颖的架构，它将图像分割成多个部分，并从每个部分提取信息，以引导模型在不牺牲简单特征的前提下学习更细微和复杂的特征。SpliCER 兼容任何自监督损失函数，且无需修改即可集成到现有方法中。本研究的主要贡献如下：i) 我们证明了当简单与复杂特征并存时，现有自监督方法会学习捷径解；ii) 我们提出了一种新颖的自监督训练方法 SpliCER，以克服现有方法的局限性，并实现了显著的下游性能提升；iii) 我们在最前沿的医学和地理空间成像场景中展示了 SpliCER 的有效性。SpliCER 为表示学习提供了一个强大的新工具，使模型能够发现可能被其他方法忽略的复杂特征。
引用
@article{arxiv.2503.07444,
title = {Divide and Conquer Self-Supervised Learning for High-Content Imaging},
author = {Lucas Farndale and Paul Henderson and Edward W Roberts and Ke Yuan},
journal= {arXiv preprint arXiv:2503.07444},
year = {2025}
}