基于全局相关最大似然的肺部疾病分类：一种卷积神经网络的辅助注意力机制
计算机视觉与模式识别
2021-09-03 v1 机器学习
摘要
卷积神经网络（CNN）现被广泛用于胸片中肺部异常的归类与检测。CNN的两个互补泛化特性——平移不变性与等变性，尤其有助于检测与肺部疾病相关的显现异常，而不受其图像内空间位置影响。然而，这些特性也伴随着局部区域中检测到的异常之精确空间信息及全局相对位置的丢失。此类异常的全局相对位置或有助于区分相似病症，如COVID-19与病毒性肺炎。在此类情形下，需要一种全局注意力机制，而旨在借助平移不变性与等变性实现泛化的传统CNN架构并不支持。视觉Transformer提供了全局注意力机制，但缺乏平移不变性与等变性，需显著更多的训练样本以匹配CNN的泛化能力。为在保留CNN归纳偏置的同时，解决空间信息及特征间全局关系丢失的问题，我们提出一种新技术，作为现有CNN架构的辅助注意力机制，以提取显著特征间的全局相关性。
引用
@article{arxiv.2109.00573,
title = {Pulmonary Disease Classification Using Globally Correlated Maximum Likelihood: an Auxiliary Attention mechanism for Convolutional Neural Networks},
author = {Edward Verenich and Tobias Martin and Alvaro Velasquez and Nazar Khan and Faraz Hussain},
journal= {arXiv preprint arXiv:2109.00573},
year = {2021}
}
备注
13 pages, 9 figures