基于域自适应的小样本学习方法泛化能力研究:以内镜肾结石图像分类为例
计算机视觉与模式识别
2022-05-03 v1
摘要
深度学习在计算机视觉的诸多领域(如图像分类、目标检测与语义分割等)展现出巨大潜力。然而,正如反复证实的那样,在一个数据集上训练的深度学习方法难以很好地泛化到其他域的数据集,甚至相似数据集,原因在于数据分布偏移。本工作中,我们提出使用基于元学习的小样本学习方法来缓解这些问题。为证明其有效性,我们使用在两个不同内镜及不同采集条件下获取的肾结石样本数据集。结果表明,此类方法确实能够通过分别在5-way 5-shot与5-way 20-shot设定下取得74.38%与88.52%的准确率来处理域偏移。相反,在同一数据集上,传统深度学习(DL)方法仅取得45%的准确率。
引用
@article{arxiv.2205.00895,
title = {On the generalization capabilities of FSL methods through domain adaptation: a case study in endoscopic kidney stone image classification},
author = {Mauricio Mendez-Ruiz and Francisco Lopez-Tiro and Jonathan El-Beze and Vincent Estrade and Gilberto Ochoa-Ruiz1 and Jacques Hubert and Andres Mendez-Vazquez and Christian Daul},
journal= {arXiv preprint arXiv:2205.00895},
year = {2022}
}
备注
Paper submitted to MICAI 2022