S5CL:階層的コントラスト学習による完全教師付き,自己管理,半教師付き学習の統一化【JST・京大機械翻訳】

Tran Manuel; Wagner Sophia J.; Boxberg Melanie; Peng Tingying

プレプリント

J-GLOBAL ID：202202209525623000 整理番号：22P0303957

S5CL:階層的コントラスト学習による完全教師付き,自己管理,半教師付き学習の統一化【JST・京大機械翻訳】

S5CL: Unifying Fully-Supervised, Self-Supervised, and Semi-Supervised Learning Through Hierarchical Contrastive Learning

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (4件)： , , ,
資料名：
発行年： 2022年03月14日プレプリントサーバーでの情報更新日： 2022年03月14日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

計算病理学では,しばしば注釈の不足と大量のラベルなしデータに直面している。これを扱う一つの方法は,自己教師付きプレテキストタスクおよびその後のモデル微調整に通常分割される半教師つき学習である。ここでは,この2段階訓練を,S5CLを導入することによって,完全に監督された自己監督された,そして,半教師つき学習のための統一フレームワークを導入することによって,1つに圧縮する。ラベル付き,ラベルなし,および擬似ラベル付き画像に対して定義された3つのコントラスト損失で,S5CLは距離関係の階層構造を反映する特徴表現を学習できる:類似画像と増強は,同じクラスの異なる探索画像で,次に,同じクラスの異なる探索画像で,一方,分離クラスからの画像は最大の距離を持つ。さらに,S5CLはこれらの損失を柔軟に組み合わせ,異なるシナリオに適応できる。2つの公的組織病理学的データセットに関する著者らのフレームワークの評価は,H&E染色結腸直腸癌データセットに対して,スパースラベルの場合に強い改善を示し,精度は,教師つき交差エントロピー損失と比較して9%まで上昇した。白血病患者血液スミアからの単一白血球の高度に不均衡なデータセットに対して,F1スコアは6%まで増加した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , , ,

前のページに戻る