生成式迁移学习：基于少量胸部 X 光图像的 Covid-19 分类
图像与视频处理
2022-08-11 v1 计算机视觉与模式识别
机器学习
摘要
通过医学影像检测疾病因其非侵入性而受到青睐。医学影像支持多种数据模态，能够对人体内部进行彻底而快速的观察。然而，解读影像数据通常耗时且需要大量人类专业知识。深度学习模型可加快解读并减轻人类专家的工作。然而，这些模型数据密集，需要大量标注图像进行训练。在诸如 Covid-19 等新发疾病暴发期间，我们往往没有所需的标注影像数据，尤其在疫情初期。深度迁移学习通过使用公共领域的预训练模型（例如 VGGNet、ResNet、Inception、DenseNet 等的任意变体）作为特征学习器，从更少样本中快速适配目标任务，来解决此问题。大多数预训练模型架构深邃复杂。它们使用 ImageNet 等大型多类数据集训练，在架构设计和超参数调优上耗费大量人力。我们提出 1 一个更简单的生成式源模型，在单一但相关的概念上预训练，可表现得与现有更大的预训练模型同样有效。我们展示了生成式迁移学习的实用性，其需要更少的计算和训练数据，用于少样本学习（FSL）的 Covid-19 二分类用例。我们将经典深度迁移学习与我们的方法进行比较，并报告了 84、20 和 10 个训练样本三种设置下的 FSL 结果。用于 Covid-19 分类的生成式 FSL 模型实现公开于 https://github.com/suvarnak/GenerativeFSLCovid.git。
引用
@article{arxiv.2208.05305,
title = {Generative Transfer Learning: Covid-19 Classification with a few Chest X-ray Images},
author = {Suvarna Kadam and Vinay G. Vaidya},
journal= {arXiv preprint arXiv:2208.05305},
year = {2022}
}
备注
AI4SG-21: The 3rd Workshop on Artificial Intelligence for Social Good, IJCAI 2021, Montreal Canada. 7 pages, 6 Figures, 4 Tables. github.io/AI4SG2021/