Синтез медицинских изображений: S-CycleGAN для RUSS и сегментации

Таблица ссылок

Резюме и 1 Введение

1. Связанные работы

2. Постановка проблемы

3. Методология

   4.1. Дистилляция с учетом границы принятия решений

   4.2. Консолидация знаний

4. Экспериментальные результаты и 5.1. Настройка эксперимента

   5.2. Сравнение с методами SOTA

   5.3. Исследование абляции

5. Заключение и дальнейшая работа и Ссылки

   \

Дополнительные материалы

1. Детали теоретического анализа механизма KCEMA в IIL
2. Обзор алгоритма
3. Детали набора данных
4. Детали реализации
5. Визуализация запыленных входных изображений
6. Больше экспериментальных результатов

4. Методология

Как показано на Рис. 2 (a), возникновение концептуального дрейфа в новых наблюдениях приводит к появлению внешних образцов, с которыми существующая модель не справляется. Новый IIL должен расширить границу принятия решений до этих внешних образцов, а также избежать катастрофического забывания (CF) на старой границе. Традиционные методы, основанные на дистилляции знаний, полагаются на некоторые сохраненные примеры [22] или вспомогательные данные [33, 34] для противодействия CF. Однако в предложенной настройке IIL у нас нет доступа к каким-либо старым данным, кроме новых наблюдений. Дистилляция, основанная на этих новых наблюдениях, конфликтует с изучением новых знаний, если в модель не добавляются новые параметры. Чтобы найти баланс между обучением и отсутствием забывания, мы предлагаем метод дистилляции с учетом границы принятия решений, который не требует старых данных. Во время обучения новые знания, полученные учеником, периодически консолидируются обратно в модель учителя, что обеспечивает лучшую обобщаемость и является пионерской попыткой в этой области.

\

\

:::info Авторы:

(1) Цян Не, Гонконгский университет науки и технологии (Гуанчжоу);

(2) Вэйфу Фу, Лаборатория Tencent Youtu;

(3) Юхуань Линь, Лаборатория Tencent Youtu;

(4) Цзялинь Ли, Лаборатория Tencent Youtu;

(5) Ифэн Чжоу, Лаборатория Tencent Youtu;

(6) Юн Лю, Лаборатория Tencent Youtu;

(7) Цян Не, Гонконгский университет науки и технологии (Гуанчжоу);

(8) Чэнцзе Ван, Лаборатория Tencent Youtu.

:::

:::info Эта статья доступна на arxiv под лицензией CC BY-NC-ND 4.0 Deed (Attribution-Noncommercial-Noderivs 4.0 International).

:::

\