TATL：用于皮肤属性检测的任务无关迁移学习
计算机视觉与模式识别
2022-01-31 v2
摘要
现有的皮肤属性检测方法通常先用预训练的 ImageNet 网络初始化，然后在医学目标任务上微调。然而，我们认为此类方法是次优的，因为医学数据集与 ImageNet 大不相同且通常包含有限的训练样本。在本工作中，我们提出任务无关迁移学习（Task Agnostic Transfer Learning, TATL），这是一个受皮肤科医生在护肤场景中的行为启发的新型框架。TATL 学习一个属性无关的分割器来检测病变皮肤区域，然后将此知识迁移到一组属性特定的分类器以检测每个特定属性。由于 TATL 的属性无关分割器仅检测皮肤属性区域，它可利用来自所有属性的充足数据，允许在特征间迁移知识，并弥补罕见属性训练数据的不足。我们进行了大量实验，在两个流行的皮肤属性检测基准上用多种神经网络架构评估所提出的 TATL 迁移学习机制。实证结果表明，TATL 不仅可与多种架构良好协作，还能在享有最小模型和计算复杂度的同时取得最先进（SOTA）性能。我们也提供了理论见解和解释，说明我们的迁移学习框架为何在实践中表现良好。
引用
@article{arxiv.2104.01641,
title = {TATL: Task Agnostic Transfer Learning for Skin Attributes Detection},
author = {Duy M. H. Nguyen and Thu T. Nguyen and Huong Vu and Quang Pham and Manh-Duy Nguyen and Binh T. Nguyen and Daniel Sonntag},
journal= {arXiv preprint arXiv:2104.01641},
year = {2022}
}
备注
This version has been accepted at Medical Image Analysis