CVPRApr, 2019

选择 CNN 结构进行黑色素瘤分类：单独还是集成？

PDF
TL;DR本研究在 ISIC Challenge 2017 数据集上对 9 种 CNN 架构进行了 5 种切分和 3 种重复测试，结果发现 CNN 架构在 ImageNet 上的表现与目标任务的表现强相关性的观点不太成立，当考虑仅使用表现最好的网络时，相关性消失，并且最佳方法仍然是创建多个模型的集成。本研究还比较了两种选择模型的方法，并发现使用验证集进行挑选略优于随机选择。
发现论文，激发创造
  • 使用 EfficientNet 集成鉴定黑瘤图像：SIIM-ISIC 黑瘤分类挑战赢家方案

    本文介绍了我们使用的卷积神经网络模型集成方法来解决 SIIM-ISIC 皮肤黑色素瘤分类挑战问题，其中模型结合了不同的架构和输入大小，大多数仅使用图像模型，少数使用了图像级和患者级别的元数据，最终我们的解决方案使用稳定的验证方案，选择合适的模型目标，调整合理的流程和使用多样化的模型融合策略，实现了 0.9600 在交叉验证集上的 AUC 得分和 0.9490 在私有排行榜上的 AUC 得分。

    Oct, 2020

  • 乳腺肿瘤分类的集成卷积神经网络

    本研究探索了三种分类网络，即 XceptionNet、DenseNet 和 EfficientNet，通过集成机制来提高计算机辅助乳腺肿块分类的识别能力。在公共数据集上验证该方案，可以获得 88％的准确度，85％的精度和 76％的召回率。

    Apr, 2023

  • 卷积神经网络委员会用于黑色素瘤分类，结合传统和专家知识的图像转换数据增强

    本研究以 ISBI 2017 黑色素瘤分类挑战为背景，通过人工增强图像数据和 CNN 模型委员会的方法来提高皮肤癌早期检测的准确率和分类器的稳定性。

    Feb, 2017

  • 基于深度卷积神经网络组合的皮肤病变检测

    论文提出了一种深度卷积神经网络的组合方法，用于将皮肤镜图像分类为三类，该方法结合了四种不同神经结构的输出，以达到最高分类精度，并优于单个神经网络。

    May, 2017

  • 卷积神经网络结构分析与优化

    本文提供了对现有技术的卷积神经网络分析和拓扑构建的全面概述，并描述和评估了一些层次分类器。此外，本文还开发了一种可视化分类错误的新方法，并在 CIFAR-100 上量化了一些结果，如在精度方面较小批量大小、平均集成、数据增强和测试时间转换等的积极影响。本文还开发了一个模型，它只有 100 万个学习参数，适用于 32x32x3 和 100 类输入，并在基准数据集 Asirra、GTSRB、HASYv2 和 STL-10 上击败了现有技术。

    Jul, 2017

  • 深度卷积神经网络的集成方法在图像分类中的相对性能

    该研究通过探究多种集成方法，包括超级学习器等，运用人工神经网络在图像识别任务中进行设计多个实验，并进一步研究了神经网络的过度自信现象及其对集成方法的影响，并在所有实验中发现超级学习器是表现最佳的集成方法。

    Apr, 2017

  • 提高黑色素瘤诊断可信度：强制卷积网络从病变中学习

    本研究提出了一种基于 EfficientNet 和椭圆分割模型的黑素瘤检测方法，测试结果表明该方法可显著提高诊断准确率和信心水平。

    May, 2023

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • 利用多张皮肤镜照片通过深度学习提高黑色素瘤分类的准确性：一项预后诊断准确性研究

    本研究探讨了使用多个现实世界图像对 CNN 基于皮肤镜的黑素瘤分类器的性能的影响，并发现这是一种提高黑素瘤分类器性能的廉价方法。

    Jun, 2023

  • 皮肤镜图像分类的卷积神经网络模型集成

    这篇论文介绍了一个基于深度学习的自动疾病诊断预测系统，使用转移学习策略在 VGG16 和 GoogLeNet 架构上进行疾病分类预测，其主要特点是基于图像增强和颜色规范化的预处理方法，任务表现优秀。

    Aug, 2018