VAESim：一种用于自监督原型发现的概率方法
计算机视觉与模式识别
2022-09-27 v1 机器学习
摘要
在医学中，精心标注的图像数据集常采用离散标签来描述已知从健康到病理状态的连续谱，例如阿尔茨海默病连续体或其他以图像为诊断关键点的领域。我们提出一种基于条件变分自编码器的图像分层架构。我们的框架VAESim利用连续潜空间表示疾病的连续谱，并在训练中发现簇，随后可用于图像/患者分层。该方法的核心学习一组原型向量，每个向量与一个簇相关联。首先，我们将每个数据样本软分配给各簇。然后，基于样本嵌入与簇的原型向量之间的相似性度量重构样本。为更新原型嵌入，我们使用批次内实际原型与样本间最相似表示的指数移动平均。我们在MNIST手写数字数据集和称为PneumoniaMNIST的医学基准数据集上测试了我们的方法。我们证明，在分类任务上以kNN精度衡量，我们的方法相对于标准VAE在两个数据集上均优于基线（性能提升达15%），并且与全监督训练的分类模型表现相当。我们还展示了我们的模型如何优于当前用于无监督分层的端到端模型。
引用
@article{arxiv.2209.12279,
title = {VAESim: A probabilistic approach for self-supervised prototype discovery},
author = {Matteo Ferrante and Tommaso Boccato and Simeon Spasov and Andrea Duggento and Nicola Toschi},
journal= {arXiv preprint arXiv:2209.12279},
year = {2022}
}