基于ResNet的半监督学习用于COVID-19图像分类
图像与视频处理
2021-04-02 v2 计算机视觉与模式识别
机器学习
摘要
2019冠状病毒病（COVID-19）是一场波及200多个国家和地区的持续全球大流行，已引起国际社会的重大公共卫生关切。X射线影像数据分析可在及时、准确地筛查和抗击COVID-19中发挥关键作用。监督式深度学习已成功应用于从X射线影像数据集中识别COVID-19病理。然而，它需要大量标注的X射线图像来训练模型，这往往不适用于诸如COVID-19暴发等突发事件的数据分析，尤其在暴发早期。为应对该挑战，本文提出一种双路径半监督深度学习模型ssResNet，基于残差神经网络（ResNet）用于COVID-19图像分类，其中双路径分别指监督路径和无监督路径。此外，我们设计了一种加权监督损失，在训练过程中为少数类分配更高权重，以解决数据不平衡问题。在大规模X射线图像数据集COVIDx上的实验结果表明，即便仅在极少标注训练图像上训练，所提模型也能取得有前景的性能。
引用
@article{arxiv.2103.06140,
title = {Semi-supervised Learning for COVID-19 Image Classification via ResNet},
author = {Lucy Nwosu and Xiangfang Li and Lijun Qian and Seungchan Kim and Xishuang Dong},
journal= {arXiv preprint arXiv:2103.06140},
year = {2021}
}