监督与源域对表示学习的影响：一项组织病理学案例研究
计算机视觉与模式识别
2020-09-07 v1 机器学习
摘要
由于许多算法依赖于数据的合适表示，学习独特特征被视为一项关键任务。尽管使用深度神经网络的有监督技术提升了表示学习的性能，但对大量标注数据的需求限制了此类方法的应用。例如，在病理学领域，由于图像尺寸巨大，对感兴趣区域的高质量勾画是一项繁琐且耗时的任务。本工作中，我们探索了深度神经网络与三元组损失在表示学习领域的性能。我们研究了病理学全切片图像中相似与不相似的观念，并在实验中比较了从无监督、半监督到有监督学习的不同设置。此外，我们在两个公开可用的病理学图像数据集上测试了少样本学习的不同方法。当将学到的表示应用于两个不同的病理学数据集时，我们取得了高准确率与泛化能力。
引用
@article{arxiv.2005.08629,
title = {Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study},
author = {Milad Sikaroudi and Amir Safarpoor and Benyamin Ghojogh and Sobhan Shafiei and Mark Crowley and H. R. Tizhoosh},
journal= {arXiv preprint arXiv:2005.08629},
year = {2020}
}
备注
Accepted for presentation at the 42nd Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC'20)