深度神经网络中的双视图金字塔池化以提升医学图像分类与置信度校准
计算机视觉与模式识别
2024-08-16 v2
摘要
空间池化 (SP) 和跨通道池化 (CCP) 算子已分别用于深度神经网络 (DNN) 中的特征聚合，以降低计算和内存开销，同时不显著削弱 DNN 的性能。然而，SP 常面临丢失细微特征表征的问题，而 CCP 有较大可能忽略显著特征表征，这可能导致置信度误校准和次优的医学分类结果。为解决这些问题，我们提出一种新型双视图框架，首次系统性地研究了 SP 与 CCP 的相对作用，通过分析空间特征与像素级特征之间的差异。基于此框架，我们提出一种新池化方法，称为双视图金字塔池化 (DVPP)，用于聚合多尺度双视图特征。DVPP 旨在从双轴角度充分利用 SP 与 CCP 算子之长处，提升医学图像分类与置信度校准性能。此外，我们讨论如何实现 DVPP 的五种无参数实现方式。在六个 2D/3D 医学图像分类任务上的大量实验表明，我们的 DVPP 在不同 DNN 模型下的医学图像分类结果和置信度校准方面均优于当前最先进的池化方法。
引用
@article{arxiv.2408.02906,
title = {Dual-View Pyramid Pooling in Deep Neural Networks for Improved Medical Image Classification and Confidence Calibration},
author = {Xiaoqing Zhang and Qiushi Nie and Zunjie Xiao and Jilu Zhao and Xiao Wu and Pengxin Guo and Runzhi Li and Jin Liu and Yanjie Wei and Yi Pan},
journal= {arXiv preprint arXiv:2408.02906},
year = {2024}
}
备注
30