前向-前向对比学习
计算机视觉与模式识别
2023-05-05 v1
摘要
医学图像分类是计算机辅助诊断最重要的任务之一。深度学习模型，特别是卷积神经网络，已借助自动特征学习成功用于医学图像的疾病分类。然而，多样的成像模态与临床病理使得构建具有泛化性和鲁棒性的分类模型颇具挑战。为提升模型性能，我们提出一种新颖的预训练方法，即前向-前向对比学习（Forward Forward Contrastive Learning, FFCL），该方法在对比学习框架中——于局部与全局层面——利用前向-前向算法（Forward-Forward Algorithm）。我们在胸部 X 射线数据集上的实验结果表明，所提出的 FFCL 在肺炎分类任务中优于现有预训练模型（比 ImageNet 预训练的 ResNet-18 准确率高出 3.69%）。此外，大量消融实验支持了 FFCL 中特定的局部与全局对比预训练设计。
引用
@article{arxiv.2305.02927,
title = {Forward-Forward Contrastive Learning},
author = {Md. Atik Ahamed and Jin Chen and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2305.02927},
year = {2023}
}
备注
Accepted at Medical Imaging with Deep Learning (MIDL) 2023