利用大型扩散模型生成图像改善跨人群皮肤病分类器
图像与视频处理
2022-11-28 v1 计算机视觉与模式识别
机器学习
摘要
在没有足够多样化训练数据的情况下开发的皮肤病分类算法可能在不同人群间泛化不佳。虽然有意的数据收集与标注是改善代表性的最佳途径，但新的用于生成训练数据的计算方法也有助于缓解采样偏差的影响。在本文中，我们展示大型文本到图像扩散模型 DALLE 2 能够生成跨肤色类型的皮肤病照片级真实图像。以 Fitzpatrick 17k 数据集为基准，我们证明用 DALLE 2 生成的合成图像扩充训练数据可改善皮肤病的整体分类，尤其对代表性不足群体效果显著。
引用
@article{arxiv.2211.13352,
title = {Improving dermatology classifiers across populations using images generated by large diffusion models},
author = {Luke W. Sagers and James A. Diao and Matthew Groh and Pranav Rajpurkar and Adewole S. Adamson and Arjun K. Manrai},
journal= {arXiv preprint arXiv:2211.13352},
year = {2022}
}
备注
NeurIPS 2022 Workshop on Synthetic Data for Empowering ML Research