重新审视深度学习在皮肤镜皮肤病变分类中的形状偏置
计算机视觉与模式识别
2022-06-15 v1 人工智能
机器学习
摘要
人们普遍认为，人类视觉系统偏向于识别形状而非纹理。这一假设引发了一系列旨在使深度模型的决策过程与人类视觉基本特性相一致的研究。依赖形状特征主要被期望能在协变量偏移下提升这些模型的鲁棒性。在本文中，我们重新审视形状偏置对于皮肤病变图像分类的意义。我们的分析表明，不同的皮肤病变数据集对个体图像特征表现出不同的偏置。有趣的是，尽管深度特征提取器倾向于为皮肤病变分类学习纠缠特征，个体特征仍可从这一纠缠表征中被解码。这表明这些特征仍表征于模型所学嵌入空间中，但未被用于分类。此外，不同数据集的频谱分析显示，与常见视觉识别相反，皮肤镜皮肤病变分类本质上依赖于超越形状偏置的复杂特征组合。作为自然结果，偏离普遍存在的形状偏置模型诉求在某些情况下甚至能改进皮肤病变分类器。
引用
@article{arxiv.2206.06466,
title = {Revisiting the Shape-Bias of Deep Learning for Dermoscopic Skin Lesion Classification},
author = {Adriano Lucieri and Fabian Schmeisser and Christoph Peter Balada and Shoaib Ahmed Siddiqui and Andreas Dengel and Sheraz Ahmed},
journal= {arXiv preprint arXiv:2206.06466},
year = {2022}
}
备注
Submitted preprint accepted for MIUA 2022