基于样本难度的梯度损失用于长尾宫颈细胞检测
计算机视觉与模式识别
2022-08-09 v1
摘要
由于癌症样本采集与标注的困难，宫颈癌数据集通常呈现长尾数据分布。在训练检测器以检测从 TCT（薄层液基细胞学检测）标本获取的 WSI（全切片图像）图像中的癌细胞时，头部类别（如正常细胞和炎症细胞）的样本数量通常远大于尾部类别（如癌细胞）。现有目标检测中最先进的长尾学习方法大多关注类别分布统计以解决长尾场景中的问题，而未考虑每个样本的“难度”。为解决该问题，本文提出一种 Grad-Libra Loss，利用梯度动态校准不同类别中每个样本的难度程度，并重新平衡正负样本的梯度。因此，我们的损失可帮助检测器将更多注意力放在头部和尾部类别中的困难样本上。在长尾 TCT WSI 图像数据集上的大量实验表明，使用我们提出的 Gradient-Libra Loss 训练的主流检测器（如 RepPoints、FCOS、ATSS、YOLOF 等）比使用交叉熵分类损失训练的 detector 实现了高得多（7.8%）的 mAP。
引用
@article{arxiv.2208.03779,
title = {Sample hardness based gradient loss for long-tailed cervical cell detection},
author = {Minmin Liu and Xuechen Li and Xiangbo Gao and Junliang Chen and Linlin Shen and Huisi Wu},
journal= {arXiv preprint arXiv:2208.03779},
year = {2022}
}