用于皮肤病变分类的网络监督学习
计算机视觉与模式识别
2019-06-03 v2
摘要
在医学影像中，手动策划足够多良好标注的样本在成本、时间和规模上是 prohibitive 的。为提高训练数据集的代表性，我们首次提出一种通过网页爬取利用大量免费可用网络数据的方法。为处理网络标注的噪声和弱性质，我们提出一种基于两步迁移学习的训练过程，带有鲁棒损失函数，称为网络监督学习（WSL），用于训练深度模型完成该任务。我们还利用以图搜图来提高网页爬取的搜索特异性并减少跨域噪声。在WSL中，我们显式建模类间噪声结构，并在模型训练期间将其结合以选择性地从网络数据中提炼知识。为展示WSL带来的性能提升，我们在一个公开可用的10类细粒度皮肤病变分类数据集上进行了基准测试，并报告由于引入网络监督，top-1分类准确率从71.25%显著提高到80.53%。
引用
@article{arxiv.1804.00177,
title = {Webly Supervised Learning for Skin Lesion Classification},
author = {Fernando Navarro and Sailesh Conjeti and Federico Tombari and Nassir Navab},
journal= {arXiv preprint arXiv:1804.00177},
year = {2019}
}
备注
Accepted to International Conference on Medical Image Computing and Computer-Assisted Intervention 2018 Added Acknowledgements section, rest is unchanged. In MICCAI 2018. Springer, Cham