TAKT：面向全切片图像分类的目标感知知识迁移
计算机视觉与模式识别
2024-07-12 v2 人工智能
摘要
由于高标注成本导致数据集中样本数量通常有限，将知识从源域迁移到目标域对全切片图像分类至关重要。然而，数据集之间的域偏移与任务差异会阻碍有效的知识迁移。本文提出一种采用师生范式的目的标感知知识迁移框架。该框架通过主动将无标注目标图像纳入教师模型训练，使教师模型从源域和目标域学习通用知识。随后将教师包特征适配以监督学生模型在目标域上的训练。尽管训练时融入了目标特征，教师模型在固有域偏移与任务差异下往往忽略它们。为缓解此问题，我们引入目标感知特征对齐模块，通过求解最优传输问题建立源特征与目标特征间可迁移的潜在关联。实验结果表明，采用知识迁移的模型优于从头训练的模型，且我们的方法在TCGA-RCC、TCGA-NSCLC和Camelyon16等多个数据集上取得了优于其他知识迁移方法的SOTA性能。
引用
@article{arxiv.2303.05780,
title = {TAKT: Target-Aware Knowledge Transfer for Whole Slide Image Classification},
author = {Conghao Xiong and Yi Lin and Hao Chen and Hao Zheng and Dong Wei and Yefeng Zheng and Joseph J. Y. Sung and Irwin King},
journal= {arXiv preprint arXiv:2303.05780},
year = {2024}
}
备注
Accepted by MICCAI2024