Colo-ReID：基于元学习的判别性表征嵌入用于结肠镜息肉重识别
计算机视觉与模式识别
2025-11-24 v3
摘要
结肠镜息肉重识别旨在从大型图库中匹配由不同相机拍摄的不同视角下的同一息肉图像，并在结直肠癌的防治中发挥重要作用。然而，由于领域差距较大，直接在 ImageNet 数据集上训练的 CNN 模型用于目标重识别的传统方法通常在结肠镜数据集上产生不令人满意的检索性能。此外，这些方法忽视了挖掘结肠镜息肉数据集中类内或类间关系自差异的潜力，这仍是医学界一个开放的研究问题。为解决这一困境，我们提出了一种简单但有效的训练方法，称为 Colo-ReID，它可基于元学习策略在样本较少的场景下帮助模型学习更通用且具判别性的知识。在此基础上，引入一种称为 MLR 的动态元学习调节机制，以进一步提升息肉重识别性能。实验结果表明，Colo-ReID 在息肉重识别任务上以 mAP 性能超越次优方法 +2.3%。我们的源代码也已公开于 https://github.com/JeremyXSC/Colo-ReID。
引用
@article{arxiv.2308.00929,
title = {Colo-ReID: Discriminative Representation Embedding with Meta-learning for Colonoscopic Polyp Re-Identification},
author = {Suncheng Xiang and Chengfeng Zhou and Zhengjie Zhang and Shilun Cai and Dahong Qian},
journal= {arXiv preprint arXiv:2308.00929},
year = {2025}
}