SuperCon：用于不平衡皮肤病变分类的监督对比学习
计算机视觉与模式识别
2022-02-14 v1 机器学习
摘要
卷积神经网络（CNNs）在皮肤病变分类中已取得巨大成功。训练良好模型需要平衡的数据集。然而，由于实际中不同皮肤病变的出现情况，严重甚至最致命的病变类型（如黑色素瘤）在数据集中天然占比较少。由此，分类性能下降广泛存在，使CNN能在类不平衡皮肤病变图像数据集上良好工作显得极为重要。本文提出SuperCon，一种两阶段训练策略以克服皮肤病变分类中的类不平衡问题。它包含两个阶段：（i）表示训练，试图学习类内紧密对齐、类间远离的特征表示；（ii）分类器微调，旨在基于所学表示学习能正确预测标签的分类器。在实验评估中，我们在皮肤病变基准数据集上将本方法与现有其他方法进行了广泛比较。结果表明，我们的两阶段训练策略有效解决了类不平衡分类问题，并在F1-score和AUC分数上显著改进现有工作，取得了最先进的性能。
引用
@article{arxiv.2202.05685,
title = {SuperCon: Supervised Contrastive Learning for Imbalanced Skin Lesion Classification},
author = {Keyu Chen and Di Zhuang and J. Morris Chang},
journal= {arXiv preprint arXiv:2202.05685},
year = {2022}
}