ECL：面向长尾皮肤病变分类的类增强对比学习
计算机视觉与模式识别
2023-07-11 v1
摘要
皮肤图像数据集常存在数据分布不平衡问题，加剧了计算机辅助皮肤病诊断的难度。一些近期工作利用监督对比学习（SCL）应对这一长尾挑战。尽管取得了显著性能，这些基于 SCL 的方法更关注头部类，却忽视了对尾部类信息的利用。本文中，我们提出类增强对比学习（ECL），其丰富了少数类的信息并平等对待不同类。对于信息增强，我们设计了一种混合代理模型以生成类依赖代理，并提出一种循环更新策略用于参数优化。设计了一种平衡混合代理损失，以利用样本与代理间的关系并平等对待不同类。同时考虑“数据不平衡”与“诊断难度不平衡”，我们进一步提出了遵循课程学习计划的平衡加权交叉熵损失。在不平衡皮肤病变数据分类上的实验结果证明了我们方法的优越性与有效性。
引用
@article{arxiv.2307.04136,
title = {ECL: Class-Enhancement Contrastive Learning for Long-tailed Skin Lesion Classification},
author = {Yilan Zhang and Jianqi Chen and Ke Wang and Fengying Xie},
journal= {arXiv preprint arXiv:2307.04136},
year = {2023}
}