FOAL：用于心脏运动估计的快速在线自适应学习
计算机视觉与模式识别
2020-08-18 v2 人工智能
机器学习
图像与视频处理
摘要
心脏MRI视频的运动估计对于评估人体心脏解剖与功能至关重要。近期研究显示基于深度学习的方法取得了有前景的结果。然而在临床部署中，由于训练与测试数据集间分布不匹配（临床环境中常见），它们遭遇严重的性能下降。另一方面，在部署前收集所有代表性数据集并训练一个通用跟踪器几乎不可能。在此背景下，我们提出了一种新颖的快速在线自适应学习（FOAL）框架：一个基于在线梯度下降的优化器，由元学习器优化。该元学习器使在线优化器能进行快速且鲁棒的适应。我们在两个公共临床数据集上通过大量实验评估了我们的方法。结果显示，与离线训练的跟踪方法相比，FOAL在精度上具有优越性能。平均而言，FOAL每个视频的在线优化仅耗时秒。
引用
@article{arxiv.2003.04492,
title = {FOAL: Fast Online Adaptive Learning for Cardiac Motion Estimation},
author = {Hanchao Yu and Shanhui Sun and Haichao Yu and Xiao Chen and Honghui Shi and Thomas Huang and Terrence Chen},
journal= {arXiv preprint arXiv:2003.04492},
year = {2020}
}
备注
Accepted by CVPR 2020