基于对比学习的标签高效多任务分割
计算机视觉与模式识别
2020-09-24 v1 组织与器官
摘要
尽管对自动化分割任务至关重要，获取 3D 医学图像标注仍是昂贵且耗时的。尽管多任务学习被视为利用少量标注数据训练分割模型的有效方法，对各类子任务的系统性理解仍然缺乏。在本研究中，我们提出了一种带有基于对比学习的子任务的多任务分割模型，并在改变训练所用标注数据量的情形下将其性能与其他多任务模型进行比较。我们进一步扩展模型，使其能通过正则化分支以半监督方式利用无标注数据。我们通过实验表明，在标注数据量有限时，我们提出的方法优于其他多任务方法，包括最先进的（SOTA）全监督模型。
引用
@article{arxiv.2009.11160,
title = {Label-Efficient Multi-Task Segmentation using Contrastive Learning},
author = {Junichiro Iwasawa and Yuichiro Hirano and Yohei Sugawara},
journal= {arXiv preprint arXiv:2009.11160},
year = {2020}
}
备注
Accepted to MICCAI BrainLes 2020 workshop