超声心动图中基于加权专家的多地点递增学习
原文中文,约400字,阅读约需1分钟。发表于: 。建立一个能在真实情况下保持性能的心脏超声成像视图分类器需要多样化的多地点数据,并定期使用新可用数据进行更新以减小模型漂移。我们提出了一种逐类增量学习方法,为每个数据集学习一个专家网络,并使用得分融合模型将所有专家网络组合起来。通过使用一个学习到的分布得分对每个贡献进行加权,可以最大程度地减少 “不合格专家”...
建立一个性能稳定的心脏超声成像视图分类器需要多样化的多地点数据,并定期更新以减小模型漂移。通过使用学习到的分布得分对贡献进行加权,可以减少不合格专家的影响。在六个数据集上验证了工作,证明了训练时间缩短和视图分类性能提高。