从缩放中学习：面向无线胶囊内镜图像分类的解耦监督对比学习
计算机视觉与模式识别
2024-01-12 v1
摘要
无线胶囊内镜（WCE）图像中准确的病变分类对于胃肠道（GI）癌症的早期诊断和治疗至关重要。然而，该任务面临微小病变和背景干扰等挑战。此外，WCE 图像表现出较高的类内方差和类间相似性，增加了复杂性。为应对这些挑战，我们提出用于 WCE 图像分类的解耦监督对比学习，从由显著性增强器生成的放大 WCE 图像中学习鲁棒表示。具体而言，我们使用均匀下采样的 WCE 图像作为锚点，并将来自同一类别的 WCE 图像，特别是其放大图像，作为正样本。该方法借助解耦监督对比学习，使特征提取器能够从同一图像的不同视图捕获丰富的表示。在这些表示上训练线性分类器，在 10 个 epoch 内即在两个公开可访问 WCE 数据集的混合数据上达到了 92.01% 的令人瞩目的总体准确率，比先前最优水平（SOTA）高出 0.72%。代码见：https://github.com/Qiukunpeng/DSCL。
引用
@article{arxiv.2401.05771,
title = {Learn From Zoom: Decoupled Supervised Contrastive Learning For WCE Image Classification},
author = {Kunpeng Qiu and Zhiying Zhou and Yongxin Guo},
journal= {arXiv preprint arXiv:2401.05771},
year = {2024}
}
备注
Accepted by ICASSP2024