基于 ResNet50 提取特征与深度森林分类的皮肤镜图像疾病分类
计算机视觉与模式识别
2018-07-26 v3
摘要
在本报告中，我们提出一种皮肤病变图像的分类技术，作为我们提交 ISIC 2018 皮肤病变分析朝向黑色素瘤检测挑战赛的一部分。我们的数据提取自 ISIC 2018：皮肤病变分析朝向黑色素瘤检测大挑战赛数据集。特征通过卷积神经网络（在我们的例子中为 ResNet50）提取，然后利用这些特征训练一个具有级联层的 DeepForest 来分类我们的皮肤病变图像。我们知道卷积神经网络是图像表示学习中最先进的技术，卷积滤波器通过反向传播学习从图像中检测特征。这些特征随后通常被送入如 softmax 层或其他此类分类器用于分类任务。在我们的例子中，我们不使用传统的反向传播方法并训练 softmax 层进行分类。相反，我们使用 Deep Forest，一种新颖的决策树集成方法，在广泛任务中性能与深度神经网络极具竞争力。因此我们使用 ResNet50 从皮肤病变图像中提取特征，然后使用 Deep Forest 对这些图像进行分类。采用此方法是因为已发现 Deep Forest 在仅有小规模训练数据可用的领域极为高效。并且由于 Deep Forest 网络自行决定其复杂度，它也解决了我们在此问题中面临的数据集不平衡问题。
引用
@article{arxiv.1807.05711,
title = {Disease Classification within Dermascopic Images Using features extracted by ResNet50 and classification through Deep Forest},
author = {Suhita Ray},
journal= {arXiv preprint arXiv:1807.05711},
year = {2018}
}
备注
I have decided to not participate in the competition due to poor results in the used methodology and hence would like to withdraw this paper