用于临床内镜图像分类的小样本学习加性角间隔方法
计算机视觉与模式识别
2020-03-30 v2 机器学习
图像与视频处理
摘要
内镜是一种广泛用于诊断与治疗空腔脏器（例如胃肠道、肾脏和肝脏）疾病的成像方式。然而，由于不同临床中心采用的模态多样且成像协议不同，在泛化深度学习模型时带来了显著挑战。此外，从不同临床中心汇集大型数据集可能引入巨大的标签偏差，使得任何学到的模型无法使用。同时，当使用新模态或出现具有罕见模式的图像时，需要大量相似图像数据及其对应标签来训练这些模型。本工作中，我们提出一种小样本学习方法，其所需训练数据较少，并可用于预测来自未见数据集的测试样本的标签类别。我们在小样本学习环境下的原型网络框架中提出了一种新颖的加性角间隔度量。我们在多中心、多器官、多模态内镜数据的大型队列上将我们的方法与若干已有方法进行比较。所提出的算法优于现有的最先进方法。
引用
@article{arxiv.2003.10033,
title = {Additive Angular Margin for Few Shot Learning to Classify Clinical Endoscopy Images},
author = {Sharib Ali and Binod Bhattarai and Tae-Kyun Kim and Jens Rittscher},
journal= {arXiv preprint arXiv:2003.10033},
year = {2020}
}
备注
10 pages