JSCDS：基于 Jason-Shannon 散度的牙龈 RGB 图像高效学习核心数据选择方法
计算机视觉与模式识别
2024-07-09 v2 人工智能
摘要
基于深度学习的 RGB 牙龈检测提高了牙龈识别效率，对于预防口腔疾病至关重要。深度学习模型的性能取决于高质量的数据并需要大量的训练资源，这使得高效部署具有挑战性。核心数据选择通过消除低质量和混淆数据旨在提高训练效率而不显著牺牲模型性能。然而，基于距离的数据选择方法难以区分高维牙龈数据之间的依赖关系。为此，我们提出了一种用于牙龈图像高效学习和牙龈分类的基于 Jensen-Shannon 散度 (JSCDS) 的核心数据选择方法。我们将核心数据选择准则描述为不同类别样本分布。JSCDS 通过牙龈分类网络中样本的嵌入表示计算聚类中心，并利用 Jensen-Shannon 散度计算数据样本与聚类中心之间的互信息，从而捕捉高维数据之间的非线性依赖关系。计算平均互信息以拟合上述分布，作为构建用于模型训练的核心集的准则。在 RGB 牙龈数据集上的大量实验表明，JSCDS 在预测性能和时间消耗方面优于其他数据选择方法。值得注意的是，JSCDS 只需 50% 的核心数据即可超越完整数据集模型，其性能优势在 70% 的核心数据中更为显著。
引用
@article{arxiv.2407.00362,
title = {JSCDS: A Core Data Selection Method with Jason-Shannon Divergence for Caries RGB Images-Efficient Learning},
author = {Peiliang Zhang and Yujia Tong and Chenghu Du and Chao Che and Yongjun Zhu},
journal= {arXiv preprint arXiv:2407.00362},
year = {2024}
}
备注
Accepted in KDD 2024 Workshop AIDSH