基于扩散模型的迭代在线图像合成用于不平衡分类
计算机视觉与模式识别
2024-03-14 v1
摘要
准确且鲁棒的疾病分类对于正确诊断和治疗至关重要。然而，由于数据收集的困难以及不同疾病类型患病率的差异，医学数据集常常面临样本量有限和固有不平衡分布的挑战。在本文中，我们引入了一种迭代在线图像合成（IOIS）框架，以解决医学图像分类中的类别不平衡问题。我们的框架包含两个关键模块，即在线图像合成（OIS）和精度自适应采样（AAS），它们共同在实例级和类别级应对不平衡分类问题。OIS 模块通过生成适合分类器在线训练的具有代表性的样本，缓解了数据不足的问题。另一方面，AAS 模块动态平衡各类别间的合成样本，针对那些训练精度较低的类别。为评估我们提出的方法在解决不平衡分类问题上的有效性，我们在 HAM10000 和 APTOS 数据集上进行了实验。所得结果证明了我们的方法优于现有最先进方法，以及每个组件的有效性。源代码将在录用后发布。
引用
@article{arxiv.2403.08407,
title = {Iterative Online Image Synthesis via Diffusion Model for Imbalanced Classification},
author = {Shuhan Li and Yi Lin and Hao Chen and Kwang-Ting Cheng},
journal= {arXiv preprint arXiv:2403.08407},
year = {2024}
}