生物医学成像中训练生成对抗网络的早停准则
计算机视觉与模式识别
2024-06-03 v1 机器学习
图像与视频处理
摘要
生成对抗网络训练其复杂架构的计算成本很高。在整个训练过程中，GANs的输出基于损失以及合成图像的多样性和质量进行定性分析。基于这种定性分析，一旦生成所需的合成图像，训练就会手动停止。通过利用早停准则，可以减少计算成本和对人工监督的依赖，但会受到模式崩溃、不收敛和不稳定性等训练问题的影响。这在生物医学图像中尤为普遍，因为训练问题会降低合成图像的多样性和质量，而与训练相关的高计算成本使得复杂架构越来越难以使用。本文提出了一种新颖的早停准则，用于定量检测训练问题、停止训练并降低与合成生物医学图像相关的计算成本。首先，研究了生成器和判别器损失值的范围，以评估模式崩溃、不收敛和不稳定性在GANs训练过程中是顺序发生、同时发生还是交替发生。其次，利用这些发生情况与合成图像的平均结构相似性指数（MS-SSIM）和Fréchet初始距离（FID）分数一起，构成了所提出的早停准则的基础。这项工作有助于使用低资源计算成本识别GANs中训练问题的发生，并减少训练时间，以生成多样化且高质量的合成图像。
引用
@article{arxiv.2405.20987,
title = {Early Stopping Criteria for Training Generative Adversarial Networks in Biomedical Imaging},
author = {Muhammad Muneeb Saad and Mubashir Husain Rehmani and Ruairi O'Reilly},
journal= {arXiv preprint arXiv:2405.20987},
year = {2024}
}
备注
This paper is accepted at the 35th IEEE Irish Signals and Systems Conference (ISSC 2024)