损失函数对泛化能力的影响：基于合成肺结节数据的实证研究
计算机视觉与模式识别
2021-08-11 v1
摘要
卷积神经网络（CNN）被广泛用于包括医学影像在内的多个领域的图像分类。尽管大多数研究在此类任务中采用交叉熵作为损失函数，但越来越多的方法已转向一类基于对比学习的损失。尽管准确率、灵敏度和特异度等性能指标常用于评估CNN分类器，但这些分类器实际学到的特征很少被识别，且其对分布外测试样本分类性能的影响未被充分探索。本文受肺结节分类这一现实任务的启发，研究CNN在受控变化模态的合成数据集上以不同分布训练和测试时所学习的特征。我们表明，不同的损失函数导致学习到不同特征，进而影响分类器在未见数据上的泛化能力。本研究为医学影像任务的深度学习方案设计提供了一些重要见解。
引用
@article{arxiv.2108.04815,
title = {The Effect of the Loss on Generalization: Empirical Study on Synthetic Lung Nodule Data},
author = {Vasileios Baltatzis and Loic Le Folgoc and Sam Ellis and Octavio E. Martinez Manzanera and Kyriaki-Margarita Bintsi and Arjun Nair and Sujal Desai and Ben Glocker and Julia A. Schnabel},
journal= {arXiv preprint arXiv:2108.04815},
year = {2021}
}
备注
Accepted at iMIMIC, MICCAI 2021