面向医学图像分类的类别间视觉相关性学习与利用
计算机视觉与模式识别
2020-07-14 v1
摘要
基于深度神经网络的医学图像分类通常使用“硬”标签进行训练，即正确类别的概率为1，其余类别为0。然而，这些硬目标会使网络对其预测过度自信，并易于过拟合训练数据，从而影响模型的泛化与适应能力。研究表明，标签平滑与软标签可提升分类性能。但现有方法要么非数据驱动，要么适用性有限。本文提出类别相关性学习网络（CCL-Net），从给定训练数据中学习类别间视觉相关性，并生成软标签以辅助分类任务。我们不直接让网络学习所需相关性，而是提出通过类特定嵌入的距离度量学习，借助轻量级插件式CCL模块隐式地学习它们。基于相关性的几何解释设计了一种直观损失，以增强类别间相关性的学习。我们进一步提出将所提CCL模块作为插件式头与分类主干网络进行端到端联合训练，同时在线生成软标签。在International Skin Imaging Collaboration 2018数据集上的实验结果表明，该方法能有效从训练数据中学习类别间相关性，并且在使用CCL模块后，多种广泛使用的现代网络结构性能均得到一致提升。
引用
@article{arxiv.2007.06371,
title = {Learning and Exploiting Interclass Visual Correlations for Medical Image Classification},
author = {Dong Wei and Shilei Cao and Kai Ma and Yefeng Zheng},
journal= {arXiv preprint arXiv:2007.06371},
year = {2020}
}