确定性的力量：自信模型如何提升分割精度

已提出深度学习模型用于自动多发病检测和精确分割结肠镜中的息肉。尽管这些最先进的模型实现了高性能，但往往需要大量参数。其复杂性可能使其在训练偏好数据集时易于过拟合，并导致在来自不同临床中心的数据集上表现不佳。知识蒸馏和自蒸馏被提出作为缓解大型过参数化模型局限性的有前景策略。然而，这些方法资源消耗大，通常需要多个模型和显著的内存。我们提出一种基于置信度的自蒸馏方法，该方法仅利用前一迭代数据存储在训练期间，不需要额外计算或内存在测试期间。我们的 метод 计算 在小批次中使用动态置信系数计算前一迭代与当前迭代之间的损失。为评估该方法的有效性，我们在结肠镜息肉分割任务上进行了全面实验。我们的 方法 在最先进模型方面表现更好，并在来自多个临床中心收集的数据集上具有良好的泛化能力。一旦论文被接受，代码将公开发布。