A Multi-Scale Framework for Out-of-Distribution Detection in Dermoscopic Images

要約

ダーモスコープ画像による皮膚疾患の自動検出は、診断の効率を向上させ、医師がより正確な判断を下すのに役立ちます。
ただし、従来の皮膚疾患認識システムでは、配布外 (OOD) データに対して高い信頼性が得られる可能性があり、実際のアプリケーションで重大なセキュリティの脆弱性になる可能性があります。
この論文では、システムの堅牢性を確保するために、分布外の皮膚疾患画像データを検出するためのマルチスケール検出フレームワークを提案します。
私たちのフレームワークは、ニューラル ネットワークのさまざまな層から特徴を抽出します。
初期のレイヤーでは、調整されたアクティベーションを使用して、出力機能を適切に動作する分布に近づけてから、1 クラスの SVM をトレーニングして OOD データを検出します。
最後から 2 番目のレイヤーでは、適応されたグラム行列を使用して、修正されたアクティベーションの後に特徴が計算され、最後に最高のパフォーマンスを持つレイヤーが選択されて、正規性スコアが計算されます。
実験は、提案されたフレームワークが、皮膚疾患認識のタスクで他の最先端の方法と比較して優れたパフォーマンスを達成することを示しています。

要約(オリジナル)

The automatic detection of skin diseases via dermoscopic images can improve the efficiency in diagnosis and help doctors make more accurate judgments. However, conventional skin disease recognition systems may produce high confidence for out-of-distribution (OOD) data, which may become a major security vulnerability in practical applications. In this paper, we propose a multi-scale detection framework to detect out-of-distribution skin disease image data to ensure the robustness of the system. Our framework extracts features from different layers of the neural network. In the early layers, rectified activation is used to make the output features closer to the well-behaved distribution, and then an one-class SVM is trained to detect OOD data; in the penultimate layer, an adapted Gram matrix is used to calculate the features after rectified activation, and finally the layer with the best performance is chosen to compute a normality score. Experiments show that the proposed framework achieves superior performance when compared with other state-of-the-art methods in the task of skin disease recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google