有限训练数据下的自监督学习用于皮肤癌诊断
原文中文，约300字，阅读约需1分钟。发表于：。在本文中，我们展示了使用一种称为 Barlow Twins 的自我监督学习算法进行预训练的模型可以胜过常规的监督转移学习流程，该模型在小型标记皮肤病变数据集上进行微调后，在大型测试集中取得了 70% 的平均测试准确率，相比于监督转移学习的 66%。这暗示在标记困难的环境中收集更多未标记图像可能是一条获取更多标记数据的替代途径。我们的框架适用于低标记数据情境下的癌症图像分类模型。
本文介绍了使用Barlow Twins自我监督学习算法进行预训练的模型，在小型标记皮肤病变数据集上微调后，在大型测试集中取得了70%的平均测试准确率。相比于监督转移学习的66%，结果表明在标记困难的环境中收集更多未标记图像可能是一种获取更多标记数据的替代途径。适用于低标记数据情境下的癌症图像分类模型。
