EndoCIL：面向内镜图像分类的类递增学习框架
计算机视觉与模式识别
2025-10-21 v1
摘要
内镜图像分析的类递增学习对于实际临床应用至关重要,在该应用中,诊断模型应能够在不断演变的临床数据上持续适应,同时保持对先前学习内容的性能。然而,现有的基于回放的类递增学习方法由于内镜成像中固有的严重域差异和类别不平衡问题,未能有效缓解灾难性遗忘。为克服这些挑战,我们提出 EndoCIL,一个专为内镜图像诊断量身定制的新型统一类递增学习框架。EndoCIL 包含三个关键组件:基于最大均值差异的回放 (MDBR),采用分布对齐的贪心策略选择多样且具有代表性的 exemplars;先验正则化类别平衡损失 (PRCBL),旨在通过整合先验类别分布和平衡权重到损失函数中缓解类间和类内的不平衡;以及全连接梯度校准 (CFG),调整分类器梯度以减轻对新类别的偏见。在四个公开内镜数据集上进行的广泛实验表明,EndoCIL 在不同缓冲区大小和评估指标下通常优于最新方法。该框架有效平衡了终身内镜诊断中的稳定性和灵活性,显示出临床可扩展性和部署的前景潜力。
引用
@article{arxiv.2510.17200,
title = {EndoCIL: A Class-Incremental Learning Framework for Endoscopic Image Classification},
author = {Bingrong Liu and Jun Shi and Yushan Zheng},
journal= {arXiv preprint arXiv:2510.17200},
year = {2025}
}