基于知识迁移的糖尿病视网膜病变图像分类中未标注数据的部署
计算机视觉与模式识别
2020-02-11 v1
摘要
卷积神经网络（CNNs）对医学图像处理极为有益。医学图像丰富，但缺乏标注数据。迁移学习用于解决标注数据匮乏的问题，并赋予 CNNs 更好的训练能力。迁移学习可用于许多不同的医学应用；然而，迁移下的模型应与原始网络大小相同。知识蒸馏近期被提出用于将模型的知识迁移到另一个模型，并可用于弥补迁移学习的不足。但知识蒸馏可能无法蒸馏出知识的某些部分。本文提出一种利用迁移学习的新型知识蒸馏方法，将模型的全部知识迁移到另一个模型。所提方法对可用标注数据较少的医学图像分析有益且实用。所提流程在糖尿病视网膜病变分类上进行了测试。仿真结果表明，使用所提方法可将广泛网络的知识迁移到更小的模型。
引用
@article{arxiv.2002.03321,
title = {Unlabeled Data Deployment for Classification of Diabetic Retinopathy Images Using Knowledge Transfer},
author = {Sajjad Abbasi and Mohsen Hajabdollahi and Nader Karimi and Shadrokh Samavi and Shahram Shirani},
journal= {arXiv preprint arXiv:2002.03321},
year = {2020}
}
备注
5 pages, 3 figures