Mixing-AdaSIN：利用自适应结构实例归一化与纹理混合构建去偏数据集
图像与视频处理
2021-08-03 v2 计算机视觉与模式识别
摘要
疫情爆发后，若干工作提出用深度学习在电子计算机断层扫描（CT）中诊断 COVID-19，报告了与专家相当的性能。然而，在相同分布内数据上训练/测试的模型可能依赖固有数据偏置来获得成功预测，无法泛化到分布外样本或具有不同扫描协议的 CT。早期尝试通过增强或重采样部分解决了偏置缓解与泛化，但仍受限于采集成本以及医学图像中偏置量化的困难。本工作中，我们提出 Mixing-AdaSIN；一种偏置缓解方法，使用生成模型通过在具有语义相似特征的不同标注 CT 扫描之间混合纹理信息来生成去偏图像。此处，我们使用自适应结构实例归一化（AdaSIN）来增强去偏生成质量并保证结构一致性。随后，用生成图像训练的分类器学会无偏地正确预测标签并更好地泛化。为证明方法有效性，我们基于 CT 协议构建了一个有偏的 COVID-19 对比细菌性肺炎数据集，并与现有最先进去偏方法比较。我们的实验表明，用去偏生成图像训练的分类器在分布内性能上有所提升，并在外部 COVID-19 数据集上表现出更好的泛化。
引用
@article{arxiv.2103.14255,
title = {Mixing-AdaSIN: Constructing a De-biased Dataset using Adaptive Structural Instance Normalization and Texture Mixing},
author = {Myeongkyun Kang and Philip Chikontwe and Miguel Luna and Kyung Soo Hong and June Hong Ahn and Sang Hyun Park},
journal= {arXiv preprint arXiv:2103.14255},
year = {2021}
}