显著性引导对抗训练用于学习可泛化特征及其在医学影像分类系统中的应用
图像与视频处理
2022-09-12 v1 计算机视觉与模式识别
机器学习
摘要
本工作解决了分布外(OOD)测试集上性能退化的机器学习核心问题。该问题在基于医学影像的诊断系统中尤为突出，此类系统看似准确，但在新医院/数据集上测试时却失效。近期研究表明，系统可能学习捷径和非相关特征，而非可泛化特征，即所谓的好特征。我们假设对抗训练可消除捷径特征，而显著性引导训练可滤除非相关特征；二者均为导致OOD测试集上性能退化的干扰特征。基于此，我们为深度神经网络制定了一种新颖的模型训练方案，以学习用于分类和/或检测任务的好特征，确保在OOD测试集上一致的泛化性能。实验结果在定性与定量上展示了我们的方法在分类任务上使用基准CXR影像数据集的优越性能。
引用
@article{arxiv.2209.04326,
title = {Saliency Guided Adversarial Training for Learning Generalizable Features with Applications to Medical Imaging Classification System},
author = {Xin Li and Yao Qiang and Chengyin Li and Sijia Liu and Dongxiao Zhu},
journal= {arXiv preprint arXiv:2209.04326},
year = {2022}
}
备注
9 pages, 3 figures