基于输入扰动与子集扫描的皮肤病学分布外检测
计算机视觉与模式识别
2021-06-03 v3 机器学习
摘要
深度学习的最新进展推动了自动化皮肤病分类的发展。随着我们观察到皮肤病学领域对这些模型日益增长的兴趣，解决诸如对输入数据分布偏移的鲁棒性等方面至关重要。当前的皮肤病模型可能对来自不同硬件设备和临床环境或未知疾病样本的测试样本做出错误推断，这些样本相对于训练样本是分布外（OOD）的。为此，我们提出了一种简单而有效的方法，在任何决策之前检测这些OOD样本。检测通过在潜在空间表示（例如，任何预训练皮肤病分类器内部层的激活）中进行扫描来执行。输入样本也可以被扰动以最大化OOD样本的散度。我们在两个用例中验证了我们的OOD检测方法：1）识别从不同协议收集的样本，以及2）检测来自未知疾病类别的样本。此外，我们评估了所提方法的性能，并将其与其他最先进的方法进行比较。此外，数据驱动的皮肤病学应用可能会加深不同种族和民族群体在临床护理上的差距，因为大多数数据集被报道存在肤色分布的偏差。因此，我们还评估了这些OOD检测方法在不同肤色上的公平性。我们的实验在多个数据集上检测OOD样本取得了有竞争力的性能，这可用于（未来）在这些样本上推断之前设计更有效的迁移学习技术。
引用
@article{arxiv.2105.11160,
title = {Out-of-Distribution Detection in Dermatology using Input Perturbation and Subset Scanning},
author = {Hannah Kim and Girmaw Abebe Tadesse and Celia Cintas and Skyler Speakman and Kush Varshney},
journal= {arXiv preprint arXiv:2105.11160},
year = {2021}
}
备注
Under review for 6th Outlier Detection & Description Workshop