用于不平衡图像分类的各向异性扩散概率模型
计算机视觉与模式识别
2024-09-24 v1
摘要
现实世界的数据通常具有长尾分布，其中尾部样本的稀缺严重限制了模型的泛化能力。去噪扩散概率模型 (DDPM) 是基于随机微分方程理论的生成模型，在图像分类任务中展现出了令人印象深刻的性能。然而，现有的扩散概率模型在对尾部类别进行分类时表现不佳。在这项工作中，我们提出了用于不平衡图像分类问题的各向异性扩散概率模型 (ADPM)。我们利用数据分布来控制前向过程中不同类别样本的扩散速度，有效提高了反向过程中去噪器的分类精度。具体而言，我们基于误差分析理论提供了一种在扩散过程中为不同类别选择噪声水平的理论策略，以解决不平衡分类问题。此外，我们在前向过程中整合了全局和局部图像先验，以增强模型在空间维度上的判别能力，同时在反向过程中引入语义级的上下文信息，以提升模型的判别力和鲁棒性。通过与四个医疗基准数据集上的最先进方法进行比较，我们验证了所提出方法在处理长尾数据方面的有效性。我们的结果证实，各向异性扩散模型在保持头部类别准确率的同时，显著提高了稀有类别的分类准确率。在皮肤病变数据集 PAD-UFES 和 HAM10000 上，与原始扩散概率模型相比，我们方法的 F1 分数分别提高了 4% 和 3%。
引用
@article{arxiv.2409.14313,
title = {Anisotropic Diffusion Probabilistic Model for Imbalanced Image Classification},
author = {Jingyu Kong and Yuan Guo and Yu Wang and Yuping Duan},
journal= {arXiv preprint arXiv:2409.14313},
year = {2024}
}