基于显著性引导和基于块的混合策略用于长尾皮肤癌图像分类

Jun, 2024

基于显著性引导和基于块的混合策略用于长尾皮肤癌图像分类

Saliency-guided and Patch-based Mixup for Long-tailed Skin Cancer Image Classification

Tianyunxi Wei, Yijin Huang, Li Lin, Pujin Cheng, Sirui Li...

TL;DR为解决长尾医学图像数据集分类中的性能问题，提出了一种基于显著性引导和基于块的混合方法（SPMix）来实现长尾皮肤癌图像分类，并通过实验证明了其在 ISIC2018 数据集上相较于现有最先进方法的优越性。

Abstract

medical image datasets often exhibit long-tailed distributions due to the inherent challenges in medical data collection and annotation. In long-tailed contexts, some common disease categories account for most of

medical image datasets long-tailed distributions deep learning methods class re-sampling skin cancer image classification

发现论文，激发创造

SMCL：用于长尾识别的显著性掩蔽对比学习

本文提出了一种新的方法，利用显著性遮罩和对比学习来减轻训练不平衡数据的问题并提高模型的泛化能力，在特征空间中将遮罩图像移向次要类别，以减少与原始类别相关的背景特征。实验证明，我们的方法在基准长尾数据集上获得了最先进的性能水平。

Jun, 2024

通过特征空间增强和迭代学习实现长尾图像生成

基于稀疏嵌入和 K-NN 方法，我们提出了一种基于预训练的稳定扩散模型的图像增强方法，以解决图像生成中的数据不平衡问题。

May, 2024

高度不平衡医学图像分类的平衡 MixUp

提出一种基于 MixUp 正则化技术的平衡采样机制，称为 Balanced-MixUp，可以同时对训练数据进行正常（基于实例）和平衡（基于类）采样，使神经网络可以有效地学习高度不平衡的医学图像分类数据集。实验结果表明，Balanced-MixUp 优于其他常规采样方案和针对不平衡数据设计的损失函数。

Sep, 2021

长尾细粒度皮肤病变图像的外分布检测

本文提出了一种更有效的方法以提高对样本外（未知皮肤病变和条件）样本的检测性能，同时维持所知皮肤病变种类的多类分类准确性，并针对长尾和细粒度的 OOD 检测任务构建了一个适当的模型。

Jun, 2022

ECL：长尾皮肤病变分类的类增强对比学习

通过类增强对比学习方法，使用平衡的代理模型和参数优化策略，配合平衡的加权交叉熵损失函数，对于不平衡肌肤病变数据的分类问题进行了实验，证明了该方法的卓越性和有效性。

Jul, 2023

肿瘤为中心的补丁化方法增强医学图像分割

该研究介绍了一种创新方法，以肿瘤为核心，针对基于块的图像分析问题，解决了类别不平衡和边界缺陷的困境，提高了医学图像分割的准确性和计算机辅助诊断系统的性能。

Aug, 2023

基于 CNN 的皮肤病变分类及基于图块的注意力和诊断引导的损失加权

本研究提出了一种新的基于补丁注意力机制的体系结构，可以为高分辨率图像提供全局上下文，在皮肤病变分类中优于其他基于补丁的方法，并提出了一种诊断引导的损失加权方法以应对类别不平衡问题。

May, 2019

面向长尾视觉识别的校准模型

提出了两种新方法，一种是平衡取向的数据增强（Uniform Mixup），另一种是基于贝叶斯理论的 Bayes Bias，并通过理论和实验证明，这两种方法能够确保分类校准和提高性能。

Nov, 2021

SaliencyMix：一种基于显著性引导的数据增强策略，用于更好的正则化

该研究提出了一种名为 SaliencyMix 的新型数据增强方法，能够有效地提高深度学习模型的泛化能力，使得该模型在图像分类上取得了最佳效果。

Jun, 2020

MixUp-MIL: 多实例学习的新型数据增强技术及甲状腺癌诊断研究

提出基于 MixUp 思想的多示例学习的数据扩充策略，对多示例学习和两个甲状腺癌数据集进行了详尽的研究，发现采用一种新的基于幻灯片内插值方法的策略可以提高准确性。

Nov, 2022