基于锦标赛排序卷积神经网络的后白内障分级
计算机视觉与模式识别
2018-07-10 v1
摘要
在解决分类问题时，各类别间数据集数量的不平衡常导致性能下降。尤其当某些类别凭借大量数据集主导其他类别时，训练模型在识别被主导类别上表现出低性能。这在医学数据集中十分常见。由于严重病例并不常见，疾病重症与正常病例间存在数据集数量不平衡。同时，因类别间界限模糊，精确识别医学数据等级存在困难。为解决这些问题，我们提出一种名为基于锦标赛排序卷积神经网络（Tournament based Ranking CNN）的新卷积神经网络架构，其在识别被主导类别上展现出显著性能提升，且仅在主导类别上牺牲极小的精度损失。我们的方法弥补了将聚合多个二值神经网络模型输出的排序 CNN 方法应用于医学数据时出现的问题。通过在聚合方法中采用锦标赛结构并使用极深的预训练二值模型，我们所提模型取得了 68.36% 的精确匹配准确率，而排序 CNN 为 53.40%、预训练 Resnet 为 56.12%、带线性回归的 CNN 为 57.48%。结果表明，我们的方法可有效应用于具有类别间数据量不平衡的有序标签的白内障分级，并进一步可应用于与白内障特征相似、数据集配置类似的医学问题。
引用
@article{arxiv.1807.02657,
title = {Tournament Based Ranking CNN for the Cataract grading},
author = {Dohyeun Kim and Tae Joon Jun and Daeyoung Kim and Youngsub Eom},
journal= {arXiv preprint arXiv:1807.02657},
year = {2018}
}
备注
Submitted to ACCV 2018