缓解交叉熵损失与回合训练在少样本皮肤病分类中的不兼容性
图像与视频处理
2020-04-22 v1 计算机视觉与模式识别
机器学习
摘要
从图像中进行皮肤病分类对皮肤科诊断至关重要。然而，识别皮肤病变在大小、颜色、形状和纹理方面涉及诸多变化。更糟的是，许多类别仅包含极少量的样本，这对传统机器学习算法甚至人类专家都构成了巨大挑战。受少样本学习(FSL)在自然图像分类中近期取得成功的启发，我们提出将 FSL 应用于皮肤病识别，以解决训练样本极度稀缺的问题。然而，将 FSL 直接应用于该任务在实践中效果不佳，我们发现该问题在很大程度上可归因于交叉熵(CE)与回合训练之间的不兼容性，这两者在 FSL 中均被广泛使用。基于详细分析，我们提出了查询相对(QR)损失，证明其在回合训练下优于 CE，且与近期提出的互信息估计密切相关。此外，我们利用一种新颖的自适应硬间隔策略进一步增强了所提出的 QR 损失。综合实验验证了所提出的 FSL 方案的有效性，以及利用少量标记样本诊断罕见皮肤病的可能性。
引用
@article{arxiv.2004.09694,
title = {Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification},
author = {Wei Zhu and Haofu Liao and Wenbin Li and Weijian Li and Jiebo Luo},
journal= {arXiv preprint arXiv:2004.09694},
year = {2020}
}