面向医学数据增强的端到端生成式元课程学习
图像与视频处理
2022-12-21 v1 计算机视觉与模式识别
摘要
当前的医学图像合成增强技术严重依赖生成对抗网络（GANs）的密集使用。然而，GAN 架构的特性导致生成合成图像需要大量计算资源，且增强过程需要多个阶段才能完成。为应对这些挑战，我们提出了一种新颖的生成式元课程学习方法，该方法仅通过一个额外的教师模型以端到端方式训练任务特定模型（学生）。教师学习生成课程输入学生模型以进行数据增强，并以元学习风格引导学生提升性能。与 GAN 中相互竞争的生成器和判别器不同，教师和学生协作以提升学生在目标任务上的性能。在组织病理学数据集上的大量实验表明，利用我们的框架可显著且持续地改善分类性能。
引用
@article{arxiv.2212.10086,
title = {End to End Generative Meta Curriculum Learning For Medical Data Augmentation},
author = {Meng Li and Brian Lovell},
journal= {arXiv preprint arXiv:2212.10086},
year = {2022}
}