联合皮肤病变分类与基于不确定性估计的置信度建模
计算机视觉与模式识别
2021-07-20 v1
摘要
深度学习在解读皮肤镜图像以检测皮肤缺陷和异常方面发挥了重要作用。然而,当前用于皮肤病变分析的深度学习方案通常难以提供概率预测,这凸显了关注不确定性的重要性。这种不确定性概念可为每个特征提供置信水平,从而避免对未见过的数据因泛化能力差而产生过度自信的预测。本文中,我们提出一个整体框架,将皮肤病变分类与不确定性估计联合考虑。从置信度网络中提取的每个特征的估计置信度,用于避免由输入图像的环境差异引起的不确定特征及不良偏移在潜空间中发生。我们的定性结果表明,建模不确定性不仅有助于量化每次预测的模型置信度,还有助于分类层聚焦于置信特征,从而提升皮肤病变分类的准确率。我们在两个最先进(state-of-the-art, SOTA)的皮肤镜数据集(ISIC 2018 和 ISIC 2019)上展示了所提方法的潜力。
引用
@article{arxiv.2107.08770,
title = {Joint Dermatological Lesion Classification and Confidence Modeling with Uncertainty Estimation},
author = {Gun-Hee Lee and Han-Bin Ko and Seong-Whan Lee},
journal= {arXiv preprint arXiv:2107.08770},
year = {2021}
}