用于广义零样本医学图像分类的可解释显著性图与自监督学习
图像与视频处理
2022-08-30 v2 计算机视觉与模式识别
机器学习
摘要
在许多现实世界的医学图像分类场景中，我们无法获取所有疾病类别的样本，而一个鲁棒的系统被期望在识别新颖测试数据时给出高性能。我们提出一种广义零样本学习（GZSL）方法，利用自监督学习（SSL）来：1）选择不同疾病类别的锚向量；2）训练特征生成器。我们的方法不需要类属性向量，这类向量在自然图像中可得但在医学图像中不可得。SSL确保锚向量能代表每个类别。SSL还用于生成未见类别的合成特征。使用更简单的架构，我们的方法在自然图像的基于SSL的最先进GZSL方法上与之匹敌，并在医学图像上优于所有方法。当自然图像的类属性向量可得时，我们的方法也足够灵活以容纳之。
引用
@article{arxiv.2204.01728,
title = {Interpretable Saliency Maps And Self-Supervised Learning For Generalized Zero Shot Medical Image Classification},
author = {Dwarikanath Mahapatra},
journal= {arXiv preprint arXiv:2204.01728},
year = {2022}
}