迁移学习在医学图像中生效的因素：特征复用及其他
机器学习
2022-06-10 v2 计算机视觉与模式识别
图像与视频处理
摘要
迁移学习是一种将知识从一个领域迁移到另一个领域的标准技术。在医学影像应用中，尽管各领域间任务与图像特征存在差异，从ImageNet迁移已成为事实上的方法。然而，何种因素决定向医学领域迁移学习是否有用及其程度仍不清楚。源领域特征被复用的长期假设近来受到质疑。通过在多个医学图像基准数据集上的一系列实验，我们探究了迁移学习、数据规模、模型的容量与归纳偏置，以及源域与目标域间距离的关系。我们的发现表明，迁移学习在大多数情况下有益，并且我们刻画了特征复用在迁移学习成功中所起的重要作用。
引用
@article{arxiv.2203.01825,
title = {What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors},
author = {Christos Matsoukas and Johan Fredin Haslum and Moein Sorkhei and Magnus Söderberg and Kevin Smith},
journal= {arXiv preprint arXiv:2203.01825},
year = {2022}
}
备注
Originally published at CVPR 2022