HydraMix-Net：一种用于细胞检测与分类的深度多任务半监督学习方法
计算机视觉与模式识别
2020-08-12 v1
摘要
半监督技术通过利用无标签数据提升模型性能，消除了对大规模标签集的依赖。本文提出一种医学影像领域的半监督深度多任务分类与定位方法 HydraMix-Net，该领域标注耗时且昂贵。首先，利用模型在增强后的无标签图像集上的预测进行平均生成伪标签。进一步对高熵预测进行锐化以降低熵，然后与有标签集混合用于训练。模型以多任务学习方式训练，采用噪声容忍联合损失进行分类与定位，在给定有限数据时相比简单深度模型取得更优性能。在 DLBCL 数据上，仅给定 100 个有标签样本时，其准确率达 80%，而简单 CNN 为 70%。
引用
@article{arxiv.2008.04753,
title = {HydraMix-Net: A Deep Multi-task Semi-supervised Learning Approach for Cell Detection and Classification},
author = {R. M. Saad Bashir and Talha Qaiser and Shan E Ahmed Raza and Nasir M. Rajpoot},
journal= {arXiv preprint arXiv:2008.04753},
year = {2020}
}