Out-of-Distribution Detection for Long-tailed and Fine-grained Skin Lesion Images

要約

近年、皮膚病変の診断と分類のための自動化された方法の急速な開発が目撃されています。
診療所でのこのようなシステムの展開が増加しているため、さまざまなOut-of-Distribution（OOD）サンプル（未知の皮膚病変および状態）に対してより堅牢なシステムを開発することが重要になっています。
ただし、皮膚病変の分類用にトレーニングされた現在の深層学習モデルは、これらのOODサンプルを学習した皮膚病変のカテゴリの1つに誤って分類する傾向があります。
この問題に対処するために、皮膚病変の既知のカテゴリのマルチクラス分類精度を維持しながら、OOD検出パフォーマンスを向上させるシンプルで戦略的なアプローチを提案します。
具体的には、このアプローチは、皮膚病変画像のロングテールできめの細かいOOD検出タスクの現実的なシナリオに基づいて構築されています。
このアプローチを通じて、1）まず、ロングテールの問題に対処するために、ミドルクラスとテールクラスの混同をターゲットにします。
2）後で、上記の混合戦略をプロトタイプ学習と組み合わせて、データセットのきめ細かい性質に対処します。
この論文のユニークな貢献は2つあり、広範な実験によって正当化されています。
まず、皮膚病変に対するOODタスクの現実的な問題設定を提示します。
次に、問題設定のロングテールとファイングレインの側面を同時にターゲットにして、OODパフォーマンスを向上させるアプローチを提案します。

要約(オリジナル)

Recent years have witnessed a rapid development of automated methods for skin lesion diagnosis and classification. Due to an increasing deployment of such systems in clinics, it has become important to develop a more robust system towards various Out-of-Distribution(OOD) samples (unknown skin lesions and conditions). However, the current deep learning models trained for skin lesion classification tend to classify these OOD samples incorrectly into one of their learned skin lesion categories. To address this issue, we propose a simple yet strategic approach that improves the OOD detection performance while maintaining the multi-class classification accuracy for the known categories of skin lesion. To specify, this approach is built upon a realistic scenario of a long-tailed and fine-grained OOD detection task for skin lesion images. Through this approach, 1) First, we target the mixup amongst middle and tail classes to address the long-tail problem. 2) Later, we combine the above mixup strategy with prototype learning to address the fine-grained nature of the dataset. The unique contribution of this paper is two-fold, justified by extensive experiments. First, we present a realistic problem setting of OOD task for skin lesion. Second, we propose an approach to target the long-tailed and fine-grained aspects of the problem setting simultaneously to increase the OOD performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google