CS-AF：一种用于皮肤病变分类的代价敏感多分类器主动融合框架
计算机视觉与模式识别
2020-09-10 v2 机器学习
图像与视频处理
摘要
卷积神经网络（CNNs）已在皮肤病变分析中取得最先进的性能。与单一 CNN 分类器相比，通过融合方法组合多个分类器的结果被证明更有效且更鲁棒。由于皮肤病变数据集通常有限且统计有偏，在设计有效融合方法时，不仅需要考虑各分类器在训练/验证数据集上的性能，还需考虑测试阶段各分类器针对单个样本的相对判别能力（如置信度），这要求一种主动融合方法。此外，在皮肤病变分析中，某些类别（如良性病变）的数据通常充足，构成过度代表的多数类，而其他一些类别（如癌性病变）的数据匮乏，构成代表不足的少数类。更关键的是精确识别来自代表不足（就数据量而言）但更重要的少数类（如某些癌性病变）的样本。换言之，将更严重的病变误分类为良性或较轻病变应具有相对更高的代价（如金钱、时间乃至生命）。为应对此类挑战，我们提出 CS-AF，一种用于皮肤病变分类的代价敏感多分类器主动融合框架。在实验评估中，我们在 ISIC 研究数据集上准备了 96 个基分类器（含 12 种 CNN 架构）。实验结果表明我们的框架一致优于静态融合竞争对手。
引用
@article{arxiv.2004.12064,
title = {CS-AF: A Cost-sensitive Multi-classifier Active Fusion Framework for Skin Lesion Classification},
author = {Di Zhuang and Keyu Chen and J. Morris Chang},
journal= {arXiv preprint arXiv:2004.12064},
year = {2020}
}
备注
16 pages, 8 figures, 2 table