即插即用特征生成用于少样本医学图像分类
计算机视觉与模式识别
2023-10-17 v1
摘要
少样本学习（FSL）在利用有限训练数据提升医学图像分类的模型泛化性与实用性方面展现出巨大潜力；然而，由于训练样本稀少导致的分布偏置，其在分类器训练中仍面临严重过拟合的挑战。针对该问题，我们提出 MedMFG，一种灵活轻量的即插即用方法，旨在从有限样本中生成充足的类判别特征。具体而言，MedMFG 首先对有限原型进行重新表示，为更重要的信息特征分配更高权重。随后，原型被变分生成 abundant 有效特征。最后，生成的特征与原型一同用于训练更具泛化性的分类器。实验表明，MedMFG 在涉及从自然图像到医学图像迁移以及不同病变医学图像的跨域基准上优于先前最先进（SOTA）方法。值得注意的是，我们的方法相较若干基线实现了超过 10% 的性能提升。融合实验进一步验证了 MedMFG 的适应性，其可无缝集成至各种主干网络与基线中，在所有结果上一致带来超过 2.9% 的提升。
引用
@article{arxiv.2310.09471,
title = {Plug-and-Play Feature Generation for Few-Shot Medical Image Classification},
author = {Qianyu Guo and Huifang Du and Xing Jia and Shuyong Gao and Yan Teng and Haofen Wang and Wenqiang Zhang},
journal= {arXiv preprint arXiv:2310.09471},
year = {2023}
}
备注
8 pages,5 figures, Accepted to BIBM2023