面向公平医学图像分类的高效 CNN 中异构金字塔感受野的专家式重参数化
计算机视觉与模式识别
2025-08-07 v2
摘要
高效卷积神经网络 (CNN) 架构设计吸引了越来越多的研究关注。然而，这些网络通常仅应用单一感受野 (RF)、小型不对称 RF 或金字塔 RF 来学习不同的特征表示，仍面临医学图像分类任务中的两个显著挑战：1) 它们在高效捕获多样化病灶特征方面存在局限，例如微小、局部、小且显著的特征，这些特征在分类结果中发挥独特作用，尤其是不平衡医学图像分类中；2) 由此生成的预测往往不公平/偏置，增加了在实际医学诊断场景中使用的风险。为解决这些问题，我们发展了一种新概念：异构金字塔感受野的专家式重参数化 (ERoHPRF)，以同时提升医学图像分类性能和公平性。该概念旨在通过应用精心设计的异构金字塔 RF 包，通过多个不同异构核大小的卷积操作，有效捕获具有不同重要性的病灶特征。此外，ERoHPRF 引入一种专家式结构重参数化技术，以两阶段策略合并其参数，确保与单一 RF 相比具备竞争的计算成本和推理速度。为体现 ERoHPRF 的有效性和广泛适用性，我们将其集成到主流高效 CNN 架构中。大量实验表明，我们提出的 ERoHPRF 在医学图像分类、公平性和计算开销方面均优于最先进的方法。本文代码已发布于 https://github.com/XiaoLing12138/Expert-Like-Reparameterization-of-Heterogeneous-Pyramid-Receptive-Fields。
引用
@article{arxiv.2505.13039,
title = {Expert-Like Reparameterization of Heterogeneous Pyramid Receptive Fields in Efficient CNNs for Fair Medical Image Classification},
author = {Xiao Wu and Xiaoqing Zhang and Zunjie Xiao and Lingxi Hu and Risa Higashita and Jiang Liu},
journal= {arXiv preprint arXiv:2505.13039},
year = {2025}
}