面向药丸图像分类中类增量学习的多流融合方法
计算机视觉与模式识别
2022-10-06 v1
摘要
从真实世界图像中对药丸类别进行分类对于各种智慧医疗应用至关重要。尽管现有的图像分类方法在固定药丸类别上可能取得良好性能，但它们无法处理频繁呈现给学习算法的药丸类别的新实例。为此，一种简单的解决方案是用新类别训练模型。然而，这可能导致一种称为灾难性遗忘的现象，即系统遗忘其在先前类别中学到的内容。在本文中，我们通过将类增量学习（CIL）能力引入传统药丸图像分类系统来解决这一挑战。具体而言，我们提出了一种新颖的增量多流中间融合框架，能够将最匹配问题领域的额外引导信息流整合到各种最先进的CIL方法中。基于该框架，我们将药丸图像的颜色特定信息视为引导流，并设计了一种称为“带多流中间融合的颜色引导”（CG-IMIF）的方法，用于解决CIL药丸图像分类任务。我们在真实世界的增量药丸图像分类数据集（即VAIPE-PCIL）上进行了全面实验，发现CG-IMIF在不同任务设置下始终大幅优于几种最先进的方法。我们的代码、数据和训练模型可在 https://github.com/vinuni-vishc/CG-IMIF 获取。
引用
@article{arxiv.2210.02313,
title = {Multi-stream Fusion for Class Incremental Learning in Pill Image Classification},
author = {Trong-Tung Nguyen and Hieu H. Pham and Phi Le Nguyen and Thanh Hung Nguyen and Minh Do},
journal= {arXiv preprint arXiv:2210.02313},
year = {2022}
}
备注
Accepted for publication in the Asian Conference on Computer Vision (ACCV 2022)