論文要約：IMPaSh

IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification

概要

PatchShufflingと名付けた新しいaugmentationと、IMPaShと名付けた自己教師あり対照学習を用いた事前学習を提案。domain-shiftにロバストな表現を学習。従来のドメイン適用や自己教師あり学習以上の精度を達成。

書誌情報

2022/8/23
Trinh Thi Le Vuong
高麗大学校（韓国）
https://arxiv.org/abs/2208.11052

方法

全体
自己教師あり対照学習を2つ用いる。
1つ目の自己教師あり対照学習のaugmentationはInfoMin、2つ目の自己教師あり対照学習のaugmentationはPatchShuffling。
自己教師あり対照学習の各種技術（負例のキュー、momentum）を用いている。
encoderにはResNet-50を使用。projectorは全結合層2つから構成。

PatchShuffling
ジグソーパズルを対照学習に用いるPIRLを参考にしている。
画像をパッチに分割、並び換えた画像を入力する。

InfoMin
タスクに関わる情報を保ちつつ、元画像とaugmentation画像で共通する情報が最小になるようにaugmentationを行う。

転移学習
事前学習で得られたencoderに全結合層を組み合わせ、画像分類タスクに転移する。

結果

datasetは2つ。sourceにK19、targetにK16を用いる。
既存のdomnain汎化方法と比較。
　ドメイン特有の方法（染色正規化）　SN Macenko。SN Vahadane。
　自己教師あり対照学習　InsDis、PIRL、MocoV2、InfoMin。
UMAPでの可視化結果も掲載している。