WeakSupCon：用于编码器预训练的弱监督对比学习
计算机视觉与模式识别
2025-08-01 v2
摘要
弱监督多实例学习（MIL）是一项具有挑战性的任务，因为仅提供包级标签，而每个包通常包含多个实例。该主题在组织病理学图像分析中得到了广泛研究，其中标签通常仅在全切片图像（WSI）级别可用，而每个WSI可被划分为数千个小图像块用于训练。主导的MIL方法侧重于特征聚合，并将固定的图像块特征作为输入。然而，MIL设置中的弱监督特征表示学习一直被忽视。那些特征过去由未利用弱标签的自监督学习方法生成，或由在其他大型数据集上预训练的基础编码器生成。在本文中，我们提出了一种名为弱监督对比学习（Weakly Supervised Contrastive Learning, WeakSupCon）的新型弱监督特征表示学习方法，该方法利用包级标签。在我们的方法中，我们采用多任务学习，并为具有不同包标签的样本定义不同的对比损失。实验表明，使用WeakSupCon在有限计算资源下生成的特征显著提升了MIL分类性能，优于自监督方法，在三个数据集上均如此。我们的WeakSupCon代码可在github.com/BzhangURU/Paper_WeakSupCon获取。
引用
@article{arxiv.2503.04165,
title = {WeakSupCon: Weakly Supervised Contrastive Learning for Encoder Pre-training},
author = {Bodong Zhang and Hamid Manoochehri and Xiwen Li and Beatrice S. Knudsen and Tolga Tasdizen},
journal= {arXiv preprint arXiv:2503.04165},
year = {2025}
}
备注
Medical Image Computing and Computer Assisted Intervention (MICCAI) 2025 workshop on Efficient Medical AI