用于弱监督分割学习的自监督多尺度一致性
计算机视觉与模式识别
2021-08-27 v1
摘要
收集带细粒度标注的大规模医学数据集耗时且需专家参与。因此，弱监督学习旨在利用更易更快收集的弱形式标注（如涂鸦）来优化机器学习模型。遗憾的是，使用弱标签训练具有挑战性且需要正则化。在此，我们引入一种新颖的自监督多尺度一致性损失，其与注意力机制结合，促使分割器学习物体间的多尺度关系并提升性能。我们在多个医学与非医学数据集上展示了最优性能。实验所用代码见https://vios-s.github.io/multiscale-pyag。
引用
@article{arxiv.2108.11900,
title = {Self-supervised Multi-scale Consistency for Weakly Supervised Segmentation Learning},
author = {Gabriele Valvano and Andrea Leo and Sotirios A. Tsaftaris},
journal= {arXiv preprint arXiv:2108.11900},
year = {2021}
}
备注
Accepted at Domain Adaptation and Representation Transfer (DART) 2021