基于互信息的解耦神经网络用于跨域未见类别分类：在胎儿超声成像中的应用
计算机视觉与模式识别
2021-04-07 v2 机器学习
摘要
深度神经网络在具有不同纠缠域特征与类别特征的图像上泛化能力有限。学习可跨域形成通用类别决策边界的可泛化特征是一个有趣且困难的挑战。当尝试跨不同图像采集设备、跨采集参数部署并改进深度学习模型，或新训练库中缺失某些类别时，该问题在医学成像应用中频繁出现。为此，我们提出基于互信息的解耦神经网络(MIDNet)，其提取可泛化的类别特征，以将知识迁移至目标域中的未见类别。所提MIDNet采用半监督学习范式，以减轻对标注数据的依赖；这对于标注耗时、昂贵且需训练与专业知识的真实应用至关重要。我们在胎儿超声数据集上针对两项不同的图像分类任务进行了广泛评估，其域特征分别由阴影伪影与图像采集设备定义。实验结果表明，在目标域中以稀疏标注训练数据对未见类别进行分类时，所提方法优于当前最优(state-of-the-art)方法。
引用
@article{arxiv.2011.00739,
title = {Mutual Information-based Disentangled Neural Networks for Classifying Unseen Categories in Different Domains: Application to Fetal Ultrasound Imaging},
author = {Qingjie Meng and Jacqueline Matthew and Veronika A. Zimmer and Alberto Gomez and David F. A. Lloyd and Daniel Rueckert and Bernhard Kainz},
journal= {arXiv preprint arXiv:2011.00739},
year = {2021}
}
备注
arXiv admin note: substantial text overlap with arXiv:2003.00321