针对小样本 COVID-19 CT 扫描数据集分类的目标自监督方法
图像与视频处理
2020-11-23 v1 计算机视觉与模式识别
摘要
传统上，卷积神经网络需要大量由人工标注的数据进行训练。自监督已被提出作为处理少量标注数据的一种方法。本研究的目的是确定自监督能否提升在小样本 COVID-19 CT 扫描数据集上的分类性能。本研究还旨在确定所提出的自监督策略——目标自监督（targeted self supervision）——对于 COVID-19 影像数据集是否是一种可行的选择。共运行了 10 组实验，比较所提出的自监督方法在不同数据量下的分类性能。采用所提出自监督策略的实验表现显著优于其非自监督的对应实验。与无自监督相比，采用完全自监督时准确率提升了近 8%。结果表明，自监督能够改善小样本 COVID-19 CT 扫描数据集上的分类性能。目标自监督的代码可在以下链接获取：https://github.com/Mewtwo/Targeted-Self-Supervision/tree/main/COVID-CT
引用
@article{arxiv.2011.10188,
title = {Targeted Self Supervision for Classification on a Small COVID-19 CT Scan Dataset},
author = {Nicolas Ewen and Naimul Khan},
journal= {arXiv preprint arXiv:2011.10188},
year = {2020}
}
备注
Submitted to ISBI 2021