基于混淆惩罚的标签平滑技术用于组织病理图像的 CNN 正则化
计算机视觉与模式识别
2024-03-19 v1
摘要
深度学习，特别是卷积神经网络 (CNN)，在计算机视觉任务和医学图像分析中取得了成功。然而，现代 CNN 可能过于自信，在实际场景中部署困难。研究人员提出了诸如标签平滑 (Label Smoothing, LS) 等正则化技术，通过为训练数据引入软标签，使分类器更加正则化。LS 在捕捉训练阶段的不一致性或不确定性方面具有一定效果，使分类器更加正则化。尽管 LS 方法简洁且有效，但传统 LS 技术采用目标分布与跨类别均匀分布的加权平均，这限制了 LS 的目标以及性能。本文引入一种基于混淆惩罚的新型 LS 技术，将对每个类别模型混淆的重要性置于更高位置。我们在公开的结肠组织病理数据集上使用该技术对众知名 CNN 架构进行了广泛实验，取得了令人满意的结果。我们还与最先进的方法进行了比较，并通过可靠性图和 t 分布随机邻居嵌入 (t-SNE) 特征空间图展示了该方法的有效性。
引用
@article{arxiv.2403.10881,
title = {Regularizing CNNs using Confusion Penalty Based Label Smoothing for Histopathology Images},
author = {Somenath Kuiry and Alaka Das and Mita Nasipuri and Nibaran Das},
journal= {arXiv preprint arXiv:2403.10881},
year = {2024}
}
备注
Accepted at CICBA 2024 : 6th International Conference on Computational Intelligence in Communications, and Business Analytics