# 基于掩码自编码器的自监督学习

弱标注生物图像上的自动特征提取在不同数据集间表现不稳，因为模型只能依赖图像本身。一种与模型无关的知识增强方法让机器学习模型用上自动特征提取之外的领域知识，在七种架构上均提升分类表现；与掩码自编码器自监督学习结合时，在三套内部显微数据集上精度比次优方法高2.9%，在三套公开细胞形态学基准上平均高6.8%。

弱标注生物图像上的自动特征提取在不同数据集间表现不稳，因为模型只能依赖图像本身。一种与模型无关的知识增强方法让机器学习模型用上自动特征提取之外的领域知识，在七种架构上均提升分类表现；与掩码自编码器自监督学习结合时，在三套内部显微数据集上精度比次优方法高2.9%，在三套公开细胞形态学基准上平均高6.8%。