面向全卷积网络的半监督深度学习
计算机视觉与模式识别
2019-04-19 v2
摘要
深度学习通常需要大量带标签的训练数据，但标注数据成本高昂且繁琐。半监督学习框架提供了同时使用带标签数据和任意数量无标签数据进行训练的方法。近年来，针对标准 CNN 架构的半监督深度学习已被深入研究。然而，全卷积网络（FCN）在许多图像分割任务中达到了最先进的水平。据我们所知，目前尚无针对此类 FCN 的现有半监督学习方法。我们借助随机特征嵌入，将用于半监督学习的辅助流形嵌入概念提升到 FCN 上。在我们关于多发性硬化病灶分割这一挑战性任务的实验中，我们利用所提出的框架进行领域自适应，并报告了相对于基线模型的显著改进。
引用
@article{arxiv.1703.06000,
title = {Semi-Supervised Deep Learning for Fully Convolutional Networks},
author = {Christoph Baur and Shadi Albarqouni and Nassir Navab},
journal= {arXiv preprint arXiv:1703.06000},
year = {2019}
}
备注
9 pages, 6 figures