半监督关系对比学习
计算机视觉与模式识别
2023-06-14 v2
摘要
通过监督学习从医学图像进行疾病诊断通常依赖于医学专家繁琐、易错且昂贵的图像标注。相比之下，半监督学习与自监督学习通过从现成可用的无标注图像中获取有价值洞察而展现成效。我们提出半监督关系对比学习（SRCL），一种新颖的半监督学习模型，其利用自监督对比损失与样本关系一致性，对无标注数据进行更有意义且有效的利用。我们对SRCL模型的实验探索了预训练/微调以及 pretext（对比学习）与下游（诊断分类）任务的联合学习。我们在ISIC 2018 Challenge基准皮肤病变分类数据集上进行了验证，并证明了我们的半监督方法在不同数量标注数据下的有效性。
引用
@article{arxiv.2304.05047,
title = {Semi-Supervised Relational Contrastive Learning},
author = {Attiano Purpura-Pontoniere and Demetri Terzopoulos and Adam Wang and Abdullah-Al-Zubaer Imran},
journal= {arXiv preprint arXiv:2304.05047},
year = {2023}
}
备注
10 pages, 5 figures, 2 tables