面向跨域分割的重要性驱动持续学习
计算机视觉与模式识别
2020-05-04 v1
摘要
神经网络持续学习并适应新任务同时保留先前知识的能力对许多应用至关重要。然而，当前的神经网络在训练于新任务时倾向于遗忘先前学习的任务，即它们遭受灾难性遗忘（CF）。持续学习（CL）的目标是缓解此问题，这对医学应用尤为相关，因为存储和访问先前使用的敏感患者数据可能不可行。在本工作中，我们提出一种用于脑分割的持续学习方法，其中单一网络依次在不同域的样本上训练。我们基于重要性驱动方法并对其进行改造以用于医学图像分割。特别地，我们引入学习率正则化以防止网络知识的丢失。我们的结果表明，直接限制重要网络参数的适应明显减少了跨域分割中的灾难性遗忘。
引用
@article{arxiv.2005.00079,
title = {Importance Driven Continual Learning for Segmentation Across Domains},
author = {Sinan Özgür Özgün and Anne-Marie Rickmann and Abhijit Guha Roy and Christian Wachinger},
journal= {arXiv preprint arXiv:2005.00079},
year = {2020}
}