ProtoKD：从极稀缺数据中学习以识别寄生虫卵
图像与视频处理
2023-09-20 v1 计算机视觉与模式识别
摘要
开发可靠的计算框架用于寄生虫早期检测，特别是在卵（或蛋）阶段，对于推进医疗保健和有效管理潜在公共卫生危机至关重要。虽然深度学习已在各种任务中显著辅助人类工作者，但其应用和诊断一直受到对大规模数据集需求的限制。从极稀缺训练数据集中学习的能力，即每类少于5个样本时，对于在生物医学应用中扩展深度学习模型至关重要，因为在这些场景中大规模数据收集和标注可能代价高昂或不可能（在出现新型或未知传染病原体时）。在本研究中，我们提出ProtoKD，这是首批解决利用极稀缺数据进行多类寄生虫卵识别问题的方法之一。结合原型网络（prototypical networks）和自蒸馏的原理，我们仅用每类一个样本即可学习鲁棒表示。此外，我们建立了一个新的基准以推动这一关键方向的研究，并验证所提出的ProtoKD框架达到了最先进（state-of-the-art）性能。另外，我们基于从真实世界临床数据测序得到的宏基因组，在一个大规模分类学分析任务上评估了该框架的性能，以检验其对其他下游任务的泛化能力。
引用
@article{arxiv.2309.10210,
title = {ProtoKD: Learning from Extremely Scarce Data for Parasite Ova Recognition},
author = {Shubham Trehan and Udhav Ramachandran and Ruth Scimeca and Sathyanarayanan N. Aakur},
journal= {arXiv preprint arXiv:2309.10210},
year = {2023}
}
备注
To Appear at IEEE ICMLA 2023