面向胸部X光的广义跨域多标签少样本学习
计算机视觉与模式识别
2023-09-11 v1
摘要
胸部X光异常分类的实际应用需要应对若干挑战：(i) 训练数据有限；(ii) 训练集与评估集来自不同域；(iii) 训练时出现的类别与评估时关注类别可能存在部分重叠。为应对这些挑战，我们提出一个称为广义跨域多标签少样本学习（GenCDML-FSL）的集成框架。该框架支持训练与评估阶段的类别重叠、跨域迁移，采用元学习利用少量训练样本进行学习，并假设每张胸部X光图像要么正常，要么关联一种或多种异常。此外，我们提出广义情景训练（GenET），一种使模型能够应对GenCDML-FSL场景中多种挑战的训练策略。在多个数据集上与迁移学习、混合迁移学习和多标签元学习等成熟方法的比较显示了我们方法的优越性。
引用
@article{arxiv.2309.04462,
title = {Generalized Cross-domain Multi-label Few-shot Learning for Chest X-rays},
author = {Aroof Aimen and Arsh Verma and Makarand Tapaswi and Narayanan C. Krishnan},
journal= {arXiv preprint arXiv:2309.04462},
year = {2023}
}
备注
17 pages