基于CNN特征提取器的单疱疹皮肤病少样本学习管道
计算机视觉与模式识别
2026-05-07 v1
摘要
尽管卷积神经网络（CNN）在疾病分类方面表现出强大的性能，但其有效性往往依赖于获取大量标注数据集，而这对新发或罕见疾病如单疱疹（Monkeypox）而言往往不切实际。为克服这一限制，我们提出了一种少样本学习（FSL）框架，采用轻量级、非参数、归纳的分类器SimpleShot，用于从有限的标注样本中进行单疱疹和类似疱疹皮肤病的识别。该管道将皮肤皮损图像通过冻结的预训练CNN主干网络获取特征嵌入，然后通过SimpleShot在归一化嵌入空间中进行最近质心比较进行分类。我们在一致的实验设置下，对六种广泛使用的CNN主干网络进行系统性基准测试，以进行公平比较。在三个公开数据集（MSLD v1.0、MSID和MSLD v2.0）上进行实验，涵盖2-way、4-way和6-way任务，以及1-shot、5-shot和10-shot配置。所有模型中，MobileNetV2_100始终实现最高准确率。此外，我们Present了单疱疹分类的跨数据集评估，发现二分类的Mpox与其他病例的迁移仍相对稳定，而多分类性能在域迁移下显著下降。总体而言，这些结果表明了将归纳FSL方法与轻量级CNN主干网络相结合的实际效用，以及对于可靠实际临床部署的重要性。
关键词
引用
@article{arxiv.2605.05034,
title = {Few-Shot Learning Pipeline for Monkeypox Skin Disease Classification Using CNN Feature Extractors},
author = {Md. Safirur Rashid and Sabbir Ahmed and Muhammad Usama Islam and Sumona Hoque Mumu and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2605.05034},
year = {2026}
}