MixCL：像素标签对对比学习至关重要
图像与视频处理
2022-03-07 v1 计算机视觉与模式识别
摘要
近年来，对比学习和自监督技术在计算机视觉中已变得十分流行。这对于常以标注匮乏而闻名的医学图像分析而言至关重要。大多数应用于自然图像任务的现有自监督方法侧重于为无标签数据设计代理任务。例如，对比学习通常基于图像及其变换版本共享同一身份的事实。然而，像素标注包含大量对医学图像分割有价值的信息，而在对比学习中很大程度上被忽略。在本工作中，我们提出了一种称为混合对比学习（MixCL）的新型预训练框架，通过同时保持身份一致性、标签一致性和重建一致性，利用图像身份和像素标签进行更好的建模。因此，该预训练模型具有更鲁棒的表征以刻画医学图像。大量实验证明了所提方法的有效性，在使用Spleen的5%标注数据和BTVC的15%标注数据进行微调时，分别将基线在Dice系数上提升了5.28%和14.12%。
引用
@article{arxiv.2203.02114,
title = {MixCL: Pixel label matters to contrastive learning},
author = {Jun Li and Quan Quan and S. Kevin Zhou},
journal= {arXiv preprint arXiv:2203.02114},
year = {2022}
}