一种用于可解释医学图像分类的基于循环投影的参数化生成对抗网络
计算机视觉与模式识别
2024-10-28 v3 机器学习
摘要
尽管当前的数据增强方法已成功缓解数据不足，但传统的增强主要是域内增强，而先进的生成对抗网络（GANs）生成的图像仍存在不确定性，尤其在小规模数据集中。本文中，我们提出一种参数化 GAN（ParaGAN），可有效控制合成样本在域间的变化，并突出下游分类的注意力区域。具体而言，ParaGAN 在循环投影中引入投影距离参数，并将源图像投影到决策边界以获得类差异图。我们的实验表明，在两个小规模医学数据集上，ParaGAN 能以可解释的分类一致地优于现有增强方法。
引用
@article{arxiv.2311.14388,
title = {A Parameterized Generative Adversarial Network Using Cyclic Projection for Explainable Medical Image Classification},
author = {Xiangyu Xiong and Yue Sun and Xiaohong Liu and Chan-Tong Lam and Tong Tong and Hao Chen and Qinquan Gao and Wei Ke and Tao Tan},
journal= {arXiv preprint arXiv:2311.14388},
year = {2024}
}
备注
5 pages, 4 figures. This work has been submitted to the IEEE ICASSP for possible publication