Multi-Task Collaborative Assisted Training Method for Grouping Fuzzy Categories Classification of Cervical Cancer Cells
1.研究背景
对于卷积网络，学习到单纯的图像的特征，同一类病变细胞，形态差别可以很大；有些不同病变类型的细胞长得很像，模型很容易分错（误分类）。
突出学习类别间的不同（差异）
2.整体框架
流程：
整体思想：对比学习，分类学习
3.流程：
1.第一步：输入图像分成两条并行路径
图的最左侧是Cervical Cancer Cell，表示宫颈细胞图像。
它经过两种数据增强：
Aug 1：生成第一种图像视图，输入下方的Encoder。Aug 2：生成第二种图像视图，输入上方的Momentum Encoder。
2.第二步：两个编码器提取特征
（1）下方encoder:在线编码器
下方的Encoder处理 Aug 1，得到E_A1_Feature和E_A2_Feature所对应的特征路径。
它是主要的学习分支，通过训练损失反向传播更新参数。
（2）上方ME：动量编码器
上方的Momentum Encoder处理 Aug 2，产生M_A1_Feature和M_A2_Feature所对应的特征路径。
它通常通过在线编码器参数的指数移动平均更新，而不是直接采用相同的普通反向传播方式更新。
这有助于提供相对稳定的特征表示，为跨视图学习和软标签蒸馏提供支持。
重点：两个编码器的作用不是一个负责训练、另一个负责测试。它们都参与训练；真正的推理阶段才会移除动量编码器。
第三步：特征进入四个辅助任务
对比学习（组内监督，组间监督），图像重建，分类学习，软标签
第四步：这些任务如何共同训练模型
它们代表最终的分类监督过程：
模型根据特征输出预测类别。
将预测结果与真实标签进行比较。
通过交叉熵损失衡量分类错误。
将分类损失与辅助任务的训练信号结合，更新网络参数。
第五步：训练结束后如何分类
整体流程总结：GMRS-Net 首先将宫颈细胞图像增强成两个视图，分别输入在线编码器和动量编码器提取特征；随后利用分组对比学习、图像重建、多级分类和软标签蒸馏等辅助任务协同训练，并通过最终分类损失监督预测结果；训练结束后移除辅助分支，仅保留编码器和五分类器完成宫颈细胞分类。
