面向多标签长尾学习的鲁棒非对称损失
计算机视觉与模式识别
2023-08-11 v1
摘要
在真实医疗数据中，训练样本通常呈现多标签的长尾分布。医疗数据的类别分布呈长尾形态，不同疾病的发病率差异很大，同时症状患者影像为多标签疾病的情况并不少见。因此，本文通过提出一种基于多项式函数的鲁棒非对称损失，同时解决这两个问题。由于我们的损失同时处理长尾和多标签分类问题，导致损失函数设计复杂且超参数众多。尽管大量超参数可使模型高度微调，但难以同时优化所有超参数，且可能存在模型过拟合风险。因此，我们使用Hill损失方法对损失函数进行正则化，有助于降低对众多超参数的敏感度，从而减少模型过拟合风险。基于此，所提损失是一种可应用于大多数医学图像分类任务且不会增加训练耗时的通用方法。我们证明所提鲁棒非对称损失在长尾多标签医学图像分类以及多种长尾单标签数据集上均表现优异。值得注意的是，我们的方法在ICCV CVAMD 2023竞赛的CXR-LT数据集上取得了Top-5结果。我们在公共仓库开源了鲁棒非对称损失的实现：https://github.com/kalelpark/RAL。
引用
@article{arxiv.2308.05542,
title = {Robust Asymmetric Loss for Multi-Label Long-Tailed Learning},
author = {Wongi Park and Inhyuk Park and Sungeun Kim and Jongbin Ryu},
journal= {arXiv preprint arXiv:2308.05542},
year = {2023}
}