用于增强医学影像分类模型鲁棒性的模型内合并
计算机视觉与模式识别
2025-05-19 v2
摘要
模型合并是一种有效的策略，用于合并多个模型以提高模型性能，比集成学习更高效，因为它不会在推理过程中引入额外计算。然而，limited 研究探讨了合并过程是否可以在单个模型内部发生并增强模型鲁棒性，这在医学影像领域尤为关键。在论文中，我们首次提出 in-model 合并 (InMerge)，一种通过在单个卷积神经网络 (CNN) 深层的选择性合并相似卷积核来增强模型鲁棒性的新方法。我们也在分析上揭示了影响 in-model 合并方式的重要特征，为社区提供了具有洞察力的参考。我们在 4 个流行数据集上演示了该技术的可行性和有效性。提议的 InMerge 训练模型在通常训练的模型基础上显著优于后者。代码将公开提供。
引用
@article{arxiv.2502.20516,
title = {In-Model Merging for Enhancing the Robustness of Medical Imaging Classification Models},
author = {Hu Wang and Ibrahim Almakky and Congbo Ma and Numan Saeed and Mohammad Yaqub},
journal= {arXiv preprint arXiv:2502.20516},
year = {2025}
}