面向 COVID-19 CT 扫描数据集域偏移的在线无监督学习
图像与视频处理
2021-08-05 v1 计算机视觉与模式识别
摘要
神经网络通常需要大量专家标注数据来训练。当医学成像流程发生改变时，训练好的网络可能表现不佳，而为成像流程的每次变更获取大量专家标注既耗时又昂贵。在线无监督学习是一种被提出用于应对 incoming 数据存在域偏移且缺乏标注的情况的方法。本研究旨在探明在线无监督学习能否帮助 COVID-19 CT 扫描分类模型在无新数据标注可用时适应轻微域偏移。我们使用三个具有不同域偏移量的测试数据集共进行了六组实验。这些实验将在线无监督学习策略与基线进行比较，并比较该策略在不同域偏移下的表现。在线无监督学习代码可于此链接获取：https://github.com/Mewtwo/online-unsupervised-learning
引用
@article{arxiv.2108.02002,
title = {Online unsupervised Learning for domain shift in COVID-19 CT scan datasets},
author = {Nicolas Ewen and Naimul Khan},
journal= {arXiv preprint arXiv:2108.02002},
year = {2021}
}
备注
Accepted at ICAS 2021