基于元学习代表性嵌入的皮镜图像少样本皮肤病变分类
计算机视觉与模式识别
2022-11-01 v1 人工智能
机器学习
摘要
用于罕见和新发疾病诊断的标注图像与真值十分匮乏。考虑到受影响患者群体规模小且标注图像的临床表现专长有限,这种情况预计将持续。此外,皮肤病变及其他疾病分类数据集中频繁出现的长尾类分布,因有偏的类先验而导致常规训练方法泛化性差。少样本学习,尤其是元学习,旨在通过在低数据情形下表现良好来克服这些问题。本文聚焦于改进针对皮镜图像分类的元学习。具体而言,我们提出一种在元训练集上的基线监督方法,使网络能够学习高度代表性且可泛化的图像特征嵌入,可随时迁移至新的少样本学习任务。我们遵循文献中部分先前工作所主张的:代表性特征嵌入可能比复杂元学习算法更有效。我们凭经验证明了所提皮镜图像元训练方法在学习嵌入上的功效,并表明即便在这些表征之上训练的简单线性分类器也足以优于一些常见的元学习方法。
引用
@article{arxiv.2210.16954,
title = {Few-Shot Classification of Skin Lesions from Dermoscopic Images by Meta-Learning Representative Embeddings},
author = {Karthik Desingu and Mirunalini P. and Aravindan Chandrabose},
journal= {arXiv preprint arXiv:2210.16954},
year = {2022}
}
备注
10 pages, 3 figures, 2 tables