使用记忆网络学习置换不变表示
机器学习
2020-07-06 v2 计算机视觉与模式识别
机器学习
摘要
许多现实世界任务，如数字组织病理学图像分类和3D目标检测，涉及从一组实例中学习。在这些情况下，只有一组实例或一个集合整体才包含有意义的信息，因此只有集合具有标签，而非单个数据实例。在这项工作中，我们提出了一种称为基于记忆的可交换模型（MEM）的置换不变神经网络，用于学习集合函数。MEM模型由记忆单元组成，这些单元将输入序列嵌入到高级特征中，使模型能够通过自注意力机制学习实例间的相互依赖关系。我们在各种玩具数据集、点云分类以及将肺全切片图像（WSI）分类为两种肺癌亚型——肺腺癌和肺鳞状细胞癌——上评估了MEM的学习能力。我们系统地从The Cancer Genome Atlas（TCGA）数据集（最大的WSI公共存储库）下载的肺WSI中提取图块，对两种肺癌亚型的分类达到了84.84%的竞争性准确率。在其他数据集上的结果也很有前景，并证明了我们模型的有效性。
引用
@article{arxiv.1911.07984,
title = {Learning Permutation Invariant Representations using Memory Networks},
author = {Shivam Kalra and Mohammed Adnan and Graham Taylor and Hamid Tizhoosh},
journal= {arXiv preprint arXiv:1911.07984},
year = {2020}
}
备注
Accepted at ECCV 2020