用于分割的自监督学习
计算机视觉与模式识别
2021-01-15 v1
摘要
自监督学习正作为一种从大型数据集进行迁移学习的有效替代方案而出现。在本工作中，我们使用肾脏分割来探索这一思路。肾脏的解剖不对称性被利用来通过自监督学习为肾脏分割定义一个有效的代理任务。一个连体卷积神经网络（CNN）被用于将给定的来自CT体的肾脏切片对分类为属于相同或不同侧的肾脏。随后，该知识被迁移用于使用另一个深度CNN进行肾脏分割，该CNN使用连体CNN的一个分支作为分割网络的编码器。在一个包含腹部区域计算机断层扫描（CT）的公开可用数据集上的评估结果表明，相对于从头常规训练的网络，可获得性能提升和快速收敛。考虑到训练中未使用额外数据/昂贵标注或数据增强，这一点值得注意。
引用
@article{arxiv.2101.05456,
title = {Self-Supervised Learning for Segmentation},
author = {Abhinav Dhere and Jayanthi Sivaswamy},
journal= {arXiv preprint arXiv:2101.05456},
year = {2021}
}