机构名称：
¥ 1.0
在本文中，我们研究了伪标签。伪标签使用未标记数据的原始推断作为自我训练的伪标签。我们通过建立该技术与期望最大化算法之间的联系来阐明伪标签的经验成功。通过这种方式，我们意识到原始的伪标签是其更全面的底层公式的经验估计。基于这一见解，我们提出了贝叶斯定理下伪标签的完整概括，称为贝叶斯伪标签。随后，我们引入了一种变分方法来生成这些贝叶斯伪标签，涉及学习阈值以自动选择高质量的伪标签。在本文的其余部分，我们展示了伪标签及其广义形式贝叶斯伪标签在医学图像半监督分割中的应用。具体来说，我们专注于：（1）从 CT 体积中对肺血管进行 3D 二元分割； (2) 从 MRI 体积中对脑肿瘤进行 2D 多类分割；(3) 从 MRI 体积中对整个脑肿瘤进行 3D 二元分割；(4) 从 MRI 体积中对前列腺进行 3D 二元分割。我们进一步证明伪标签可以增强学习到的表示的鲁棒性。代码发布在以下 GitHub 存储库中：https://github.com/moucheng2017/EMSSL 。
期望最大化伪标签
主要关键词
相关文件推荐
