无监督特征正交化用于学习失真不变表示
图像与视频处理
2024-09-20 v1 计算机视觉与模式识别
机器学习
摘要
本研究引入 unORANIC+，一种新型方法，将无监督特征正交化与视觉 Transformer 捕捉局部和全局关系的能力相结合，以提升鲁棒性和可泛化性。unORANIC+ 的模块化架构有效分离解剖特征和图像特有属性，产生稳健且无偏的潜在表示，使模型在各种医学图像分析任务和多样化数据集上表现出卓越的性能。广泛的实验表明，unORANIC+ 在重建、抗干扰能力以及修复现有图像失真方面表现出色。此外，该模型在下游任务（如疾病分类和失真检测）中展现出显著的能力。我们确认其适应性强，可应用于各种不同来源和样本规模的数据集，使其成为资源受限环境中缺乏大规模定制数据集的先进医学图像分析算法。源代码已公开于 https://github.com/sdoerrich97/unoranic-plus。
引用
@article{arxiv.2409.12276,
title = {Unsupervised Feature Orthogonalization for Learning Distortion-Invariant Representations},
author = {Sebastian Doerrich and Francesco Di Salvo and Christian Ledig},
journal= {arXiv preprint arXiv:2409.12276},
year = {2024}
}
备注
Accepted at RROW@BMVC 2024 (Workshop on Robust Recognition in the Open World at the British Machine Vision Conference)