Few-shot Class-incremental Pill Recognition

要約

タイトル：Few-shot Class-incremental Pill Recognition

要約：
– 自動錠剤認識システムは、病院の効率を改善し、視覚障がい者の助け、交差感染を回避することに大きな意義があります。
– しかしながら、ディープラーニングに基づく大部分の既存の錠剤認識システムは、十分なトレーニングデータで学習された錠剤カテゴリに対してのみ錠剤の分類を実行できます。
– 実際には、データ注釈の高価なコストや、新しい錠剤カテゴリが連続的に増加することから、フューショットクラス増分錠剤認識システムの開発が意義があります。
– この論文では、学習された表現と分類器の分離学習戦略を採用した、初めてのフューショットクラス増分錠剤認識システムを開発しました。
– 表現学習では、クラス内コンパクト性とクラス間分離性を促進する新しいCenter-Triplet損失関数を提案しています。
– 分類器の学習では、専門的な偽錠剤画像構築戦略を提案し、グラフ注意ネットワークをトレーニングして適応モデルを取得します。
– さらに、フューショットクラス増分学習用の2つの新しい錠剤画像データセットを構築しました。
– 実験結果は、当面の最先端の方法よりも我々のフレームワークの性能が優れていることを示しています。

要約(オリジナル)

The automatic pill recognition system is of great significance in improving the efficiency of the hospital, helping people with visual impairment, and avoiding cross-infection. However, most existing pill recognition systems based on deep learning can merely perform pill classification on the learned pill categories with sufficient training data. In practice, the expensive cost of data annotation and the continuously increasing categories of new pills make it meaningful to develop a few-shot class-incremental pill recognition system. In this paper, we develop the first few-shot class-incremental pill recognition system, which adopts decoupled learning strategy of representations and classifiers. In learning representations, we propose the novel Center-Triplet loss function, which can promote intra-class compactness and inter-class separability. In learning classifiers, we propose a specialized pseudo pill image construction strategy to train the Graph Attention Network to obtain the adaptation model. Moreover, we construct two new pill image datasets for few-shot class-incremental learning. The experimental results show that our framework outperforms the state-of-the-art methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI