基于稀疏超列的集成学习

直接受生物视觉发现的启发，high-dimensional hypercolumns 是为单个图像像素位置连接卷积神经网络多尺度激活构建的高维特征向量。搭配强大分类器，可用于图像分割即像素分类。然而，实际中仅有极少数工作致力于使用 hypercolumns。一个原因是处理连接稠密 hypercolumns 的计算复杂度随训练集大小 $N$ 线性增长。在本工作中，我们通过对基于 VGG16 的 hypercolumns 应用分层抽样来解决此挑战。此外，我们研究了在稀疏 hypercolumns 上进行集成学习的性能。我们在脑肿瘤数据集上的实验表明，stacking 和 voting 集成均能实现具竞争力的性能，但在极端小样本的情况下 $N \leq 20$，简单的 Logistic 回归分类器是最有效的方法。对于 10% 的分层抽样率，我们的最佳平均 Dice 得分为 0.66（$N=20$），这是对标准多尺度 UNet 基线的 24.53% 显著性提升（$p$-value = $[3.07e-11]$，Wilcoxon 符号秩检验），后者因过拟合而不够有效。