基于动量网络的息肉分割在线伪标注
计算机视觉与模式识别
2022-09-30 v1
摘要
语义分割是开发医学图像诊断系统的关键任务。然而，构建标注医学数据集成本高昂。因此，在此情形下半监督方法十分重要。在半监督学习中，标签质量对模型性能起关键作用。本工作中，我们提出一种新的伪标注策略，提升用于训练学生网络的伪标签质量。我们遵循多阶段半监督训练方法，即在标注数据集上训练教师模型，随后用训练好的教师生成伪标签供学生训练。如此，伪标签随训练推进而更新并更精确。先前方法与我们方法的关键区别在于，我们在学生训练过程中更新教师模型，从而伪标签质量在学生训练过程中得以提升。我们还提出一种简单而有效的策略，利用动量模型（训练中原模型的慢速拷贝）提升伪标签质量。通过应用动量模型并结合学生训练期间重新生成伪标签，我们在五个数据集（即 Kvarsir、CVC-ClinicDB、ETIS-LaribPolypDB、CVC-ColonDB 与 CVC-300）上仅使用 20% 标注数据即取得平均 84.1% 的 Dice 分数。我们的结果超越常规做法 3%，且在部分数据集上甚至接近全监督结果。我们的源代码与预训练模型见 https://github.com/sun-asterisk-research/online learning ssl
引用
@article{arxiv.2209.14599,
title = {Online pseudo labeling for polyp segmentation with momentum networks},
author = {Toan Pham Van and Linh Bao Doan and Thanh Tung Nguyen and Duc Trung Tran and Quan Van Nguyen and Dinh Viet Sang},
journal= {arXiv preprint arXiv:2209.14599},
year = {2022}
}
备注
Accepted in KSE 2022