典型文献
基于自监督聚类算法的小样本医学图像分类
文献摘要：
基于深度学习的医学图像分析是智慧医疗的一个重要方向.但是通常情况下,医学图像数据集数据量很小,而且由于医学图像的标注困难,耗费大量人力物力,所以带标签的训练数据很难获取.如何使用极少的带标签数据和无标签的数据得到一个较好的网络模型是本文的主要研究内容.该文提出基于深度聚类的自监督网络模型作为特征提取器,并且使用标签传播算法对特征进行分类,解决了只有极少量标签(例如1张,5张或者10张)即小样本情况下的医学图像分类问题,在BreakHis数据集上取得了比传统机器学习算法更好的效果,并且接近于全监督学习方法.
文献关键词：
深度学习;深度聚类;自监督学习;小样本学习;标签传播算法;医学图像分类
中图分类号：
作者姓名：
马修玉;何良华
作者机构：
同济大学电子与信息工程学院计算机科学与技术系,上海201804
文献出处：
引用格式：
[1]马修玉;何良华-.基于自监督聚类算法的小样本医学图像分类)[J].电脑知识与技术,2022(03):78-80
A类：
B类：
聚类算法,医学图像分类,医学图像分析,智慧医疗,医学图像数据,图像数据集,数据量,耗费,人力物力,训练数据,标签数据,无标签,深度聚类,监督网络,标签传播算法,极少量,分类问题,BreakHis,机器学习算法,自监督学习,小样本学习
AB值：
0.301825
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
