基于自监督神经网络的黑色素瘤诊断：评估不同技术的有效性
计算机视觉与模式识别
2024-07-23 v1 机器学习
摘要
我们研究了自监督技术在提高深度学习模型分类黑色素瘤斑块准确性方面的潜力。实施并评估了各种自监督技术，如旋转预测、缺失斑块预测和损坏移除，对卷积神经网络性能产生的影响。初步结果表明，自监督方法对模型准确率有积极影响。该研究尤其展示了损坏移除方法在提升模型性能方面的有效性。尽管存在可见的改进，但我们得出结论，自监督模型仍具进一步提升的潜力，这可以通过训练更多周期或扩大数据集来实现。我们建议在未来研究中探索其他自监督方法，如 Bootstrap Your Own Latent（BYOL）和对比学习，强调其资源密集型的成本效益权衡。这些发现凸显了自监督在增强深度学习模型黑色素瘤检测能力方面的前景。
引用
@article{arxiv.2407.14628,
title = {Advancing Melanoma Diagnosis with Self-Supervised Neural Networks: Evaluating the Effectiveness of Different Techniques},
author = {Srivishnu Vusirikala and Suraj Rajendran},
journal= {arXiv preprint arXiv:2407.14628},
year = {2024}
}