单独还是集成？黑色素瘤分类中 CNN 架构的选择
计算机视觉与模式识别
2019-04-30 v1
摘要
卷积神经网络（CNNs）在计算机视觉包括医学图像分析中取得了卓越成果。随着可用架构数量的增长，选择某一架构而非另一架构远非显而易见。现有研究指出，在执行迁移学习时，CNN 架构在 ImageNet 上的性能与其在目标任务上的性能高度相关。我们在 ISIC Challenge 2017 数据集上创建的 5 组划分和 3 次重复测量下，针对 9 种 CNN 架构评估了黑色素瘤分类中的该主张，共计 135 个模型。我们发现的相关性起初远小于现有研究报道的值，且当我们仅考虑性能最优的网络时完全消失：未受控的干扰（即划分与随机性）盖过了任何被分析的因素。只要可能，黑色素瘤分类的最佳方法仍是创建多个模型的集成。我们比较了选择哪些模型进行集成的两种方案：从一组高质量模型中随机选取 vs. 使用验证集决定优先选取哪些。对于小型集成，我们发现第二种方案略有优势，但也发现随机选择同样具有竞争力。尽管本文目的并非最大化性能，我们仍轻松达到了可与 ISIC Challenge 2017 第一名相媲美的 AUC。
引用
@article{arxiv.1904.12724,
title = {Solo or Ensemble? Choosing a CNN Architecture for Melanoma Classification},
author = {Fábio Perez and Sandra Avila and Eduardo Valle},
journal= {arXiv preprint arXiv:1904.12724},
year = {2019}
}
备注
ISIC Skin Image Analysis Workshop @ CVPR 2019