POPCORN：基于一致性正则化与邻域关系的渐进式伪标注方法
计算机视觉与模式识别
2021-09-15 v1
摘要
半监督学习 (SSL) 利用未标注数据来弥补标注图像稀缺以及方法对未知域泛化能力不足的问题，这两个是医学分割任务中的常见问题。本工作中，我们提出 POPCORN，一种结合一致性正则化与伪标注、为图像分割设计的新型方法。所提框架使用高层正则化来约束我们的分割模型对具有相似分割结果的图像使用相似的潜在特征。POPCORN 估计一个邻近图，从最简单的数据到更困难的数据进行选取，以确保准确的伪标注并限制确认偏差。应用于多发性硬化病灶分割，我们的方法相较于其他最先进的 SSL 策略展现出有竞争力的结果。
引用
@article{arxiv.2109.06361,
title = {POPCORN: Progressive Pseudo-labeling with Consistency Regularization and Neighboring},
author = {Reda Abdellah Kamraoui and Vinh-Thong Ta and Nicolas Papadakis and Fanny Compaire and José V Manjon and Pierrick Coupé},
journal= {arXiv preprint arXiv:2109.06361},
year = {2021}
}