作为皮肤病图像分类类别增量学习器的基础模型
计算机视觉与模式识别
2025-07-21 v1
摘要
类别增量学习(Class-Incremental Learning, CIL)旨在随时间学习新类别,同时不遗忘先前已获得的知识。在大规模数据集上预训练的基础模型(Foundation Models, FM)的出现,通过提供丰富且可迁移的表征,为 CIL 带来了新的机遇。然而,其在皮肤病学中实现增量学习的潜力在很大程度上尚未被探索。在本文中,我们系统地评估了在皮肤病学疾病分类中,在大规模皮肤病变数据集上预训练的冻结 FM 用于 CIL 的表现。我们提出了一种简单而有效的方法:保持骨干网络冻结,并为每个任务以增量方式训练一个轻量级 MLP。该设置在不发生遗忘的情况下达到了最先进的性能,优于基于正则化、回放和架构的方法。为了进一步探索冻结 FM 的能力,我们考察了使用基于其嵌入导出原型的最近均值分类器的零训练场景。通过广泛的消融研究,我们证明这种基于原型的变体同样能够取得具有竞争力的结果。我们的发现凸显了冻结 FM 在皮肤病学持续学习中的优势,并支持其在真实世界医疗应用中的更广泛采用。我们的代码与数据集可在此处获取。
引用
@article{arxiv.2507.14050,
title = {Foundation Models as Class-Incremental Learners for Dermatological Image Classification},
author = {Mohamed Elkhayat and Mohamed Mahmoud and Jamil Fayyad and Nourhan Bayasi},
journal= {arXiv preprint arXiv:2507.14050},
year = {2025}
}
备注
Accepted at the MICCAI EMERGE 2025 workshop