MixUp-MIL：基于线性与多线性插值的数据增强用于全切片图像分类的研究
计算机视觉与模式识别
2023-12-11 v2
摘要
在缺乏像素级标注的情况下对数字全切片图像进行分类，通常应用多示例学习方法。由于具有通用适用性，此类方法目前在研究界备受关注，然而该情境下的数据增强问题却鲜有探讨。本文研究特征向量间的线性与多线性插值这一数据增强技术，其已被证明能够提升分类网络及多示例学习的泛化性能。不过，此前的实验仅在两个较小数据集和一种特定特征提取方法上进行，且已发现该方法对数据集有很强的依赖性。在此，我们开展了一项大规模研究，涵盖 10 种不同的数据集配置、两种不同的特征提取方法（监督与自监督）、染色归一化以及两种多示例学习架构。结果显示该方法的效果具有极高的变异性。我们揭示了若干有趣的方面以拨开迷雾，并指出了新的有前景的研究方向。
引用
@article{arxiv.2311.03052,
title = {MixUp-MIL: A Study on Linear & Multilinear Interpolation-Based Data Augmentation for Whole Slide Image Classification},
author = {Michael Gadermayr and Lukas Koller and Maximilian Tschuchnig and Lea Maria Stangassinger and Christina Kreutzer and Sebastien Couillard-Despres and Gertie Janneke Oostingh and Anton Hittmair},
journal= {arXiv preprint arXiv:2311.03052},
year = {2023}
}
备注
for code and data, see gitlab repo: https://gitlab.com/mgadermayr/mixupmil. arXiv admin note: substantial text overlap with arXiv:2211.05862