用于二维与三维医学图像分类的局部无序张量网络
计算机视觉与模式识别
2021-03-26 v2 机器学习
机器学习
摘要
张量网络是将高阶张量分解为低阶张量网络的形式，主要用于分析量子多体问题。近来张量网络在与监督学习任务相关的图像分类中受到关注。本工作中，我们改进了可作用于一维向量的矩阵乘积态（MPS）张量网络，使其适用于处理2D与3D医学图像。我们将小图像区域视为无序的，将其空间信息压缩至特征维度，然后在这些局部无序区域上执行MPS运算。这些局部表示随后以层次化方式聚合以保留全局结构。所提出的局部无序张量网络（LoTeNet）在三个数据集上与相关方法进行了比较。LoTeNet的架构在所有实验中固定不变，我们表明其所需计算资源更少，却能达到与对比方法相当或更优的性能。
引用
@article{arxiv.2009.12280,
title = {Locally orderless tensor networks for classifying two- and three-dimensional medical images},
author = {Raghavendra Selvan and Silas Ørting and Erik B Dam},
journal= {arXiv preprint arXiv:2009.12280},
year = {2021}
}
备注
Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) (see https://melba-journal.org). Source code at https://github.com/raghavian/LoTeNet_pytorch/