子图聚类与原子学习：提高图像分类
计算机视觉与模式识别
2024-10-01 v2
摘要
本研究提出了图子图网络（GSN），一种新型混合图像分类模型，融合了卷积神经网络（CNN）的特征提取优势和图神经网络（GNN）的结构建模能力。GSN采用k-means聚类将图节点分组，以便创建子图。然后，这些子图用于学习代表性'原子'以进行字典学习，实现稀疏、可区分类的特征识别。这种集成方法在医学影像等领域尤为重要，因人类在准确分类中需要辨别细微特征差异。为评估我们提出的GSN性能，我们在基准数据集上进行了实验，包括PascalVOC和HAM10000。我们的结果表明，我们的模型在不同类别的字典配置方面具有有效性，这有助于其在医学分类任务中的效果。这种性能提升主要归因于CNN、GNN和图学习技术的集成，整体上改善了处理标注示例有限的数据集的能力。具体而言，我们的实验显示，该模型在Pascal VOC和HAM10000等基准数据集上的准确率高于传统CNN方法。
引用
@article{arxiv.2407.14772,
title = {Subgraph Clustering and Atom Learning for Improved Image Classification},
author = {Aryan Singh and Pepijn Van de Ven and Ciarán Eising and Patrick Denny},
journal= {arXiv preprint arXiv:2407.14772},
year = {2024}
}