面向少样本皮肤疾病分类的动态子簇感知网络
计算机视觉与模式识别
2023-11-27 v2
摘要
本文通过引入一种称为子簇感知网络（SCAN）的新方法来解决少样本皮肤疾病分类问题，该方法提升了罕见皮肤疾病的诊断准确率。促使 SCAN 设计的关键洞见是观察到同一类内的皮肤疾病图像常表现出多个子簇，其特征是外观上的显著差异。为提升少样本学习性能，我们专注于学习一个高质量的特征编码器，以捕获每个疾病类内独特的子簇化表示，从而更好地刻画特征分布。具体而言，SCAN 遵循双分支框架，第一分支学习类间特征以区分不同皮肤疾病，第二分支旨在学习可有效将每类划分为若干组的特征，以保留每类内的子簇结构。为实现第二分支目标，我们提出一种聚类损失，通过无监督聚类学习图像相似性。为确保每个子簇中的样本来自同一类，我们进一步设计了一种纯度损失以精炼无监督聚类结果。我们在两个公开少样本皮肤疾病分类数据集上评估了所提方法。实验结果证实，在 SD-198 和 Derm7pt 数据集上，我们的框架在灵敏度、特异度、准确率和 F1 分数方面优于最先进方法约 2% 至 5%。
引用
@article{arxiv.2207.01072,
title = {Dynamic Sub-Cluster-Aware Network for Few-Shot Skin Disease Classification},
author = {Shuhan LI and Xiaomeng Li and Xiaowei Xu and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2207.01072},
year = {2023}
}
备注
Accepted by TNNLS 2023