元迁移皮肤诊断：探索长尾分布下皮肤病分类中的少样本学习与迁移学习
计算机视觉与模式识别
2025-10-03 v2 机器学习
摘要
由于缺乏足够的标注数据以及可用样本固有的长尾分布，为罕见皮肤病构建准确模型仍然具有挑战性。数据集收集方式的不一致性及其不同目标使这些问题进一步复杂化。为了应对这些挑战，我们在少样本学习框架内比较了三种学习策略：情景学习、监督迁移学习和对比自监督预训练。我们在三个基准数据集上评估了五种训练设置：ISIC2018、Derm7pt 和 SD-198。我们的研究结果表明，随着训练样本数量的增加，传统的迁移学习方法，特别是基于 MobileNetV2 和 Vision Transformer (ViT) 架构的方法，其性能始终优于情景学习和自监督方法。当与批次级数据增强技术（如 MixUp、CutMix 和 ResizeMix）相结合时，这些模型在 SD-198 和 Derm7pt 数据集上达到了SOTA性能，并在 ISIC2018 上取得了极具竞争力的结果。所有与此工作相关的源代码将很快在提供的 URL 上公开发布。
引用
@article{arxiv.2404.16814,
title = {Meta-Transfer Derm-Diagnosis: Exploring Few-Shot Learning and Transfer Learning for Skin Disease Classification in Long-Tail Distribution},
author = {Zeynep Özdemir and Hacer Yalim Keles and Ömer Özgür Tanrıöver},
journal= {arXiv preprint arXiv:2404.16814},
year = {2025}
}
备注
This is the accepted version of the article to appear in IEEE Journal of Biomedical and Health Informatics. DOI: 10.1109/JBHI.2025.3615479