Improvement Strategies for Few-Shot Learning in OCT Image Classification of Rare Retinal Diseases

要約

このペーパーでは、少数のショット学習を使用して、OCT診断画像を主要かつ希少クラスに分類する精度を向上させることに焦点を当てています。
GANベースの増強戦略をベースラインとして使用し、モデルをさらに強化するためにいくつかの新しい方法を導入しました。
提案された戦略には、生成パーツを改善するためのU-GAT-ITが含まれており、データバランスの手法を使用して、すべてのカテゴリ間の精度のスキューを絞り込みます。
得られた最良のモデルは、CBAM注意メカニズムと微調整されたInceptionV3で構築され、97.85％の全体的な精度を達成し、元のベースラインよりも大幅な改善を表しています。

要約(オリジナル)

This paper focuses on using few-shot learning to improve the accuracy of classifying OCT diagnosis images with major and rare classes. We used the GAN-based augmentation strategy as a baseline and introduced several novel methods to further enhance our model. The proposed strategy contains U-GAT-IT for improving the generative part and uses the data balance technique to narrow down the skew of accuracy between all categories. The best model obtained was built with CBAM attention mechanism and fine-tuned InceptionV3, and achieved an overall accuracy of 97.85%, representing a significant improvement over the original baseline.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google