Keskeiset käsitteet
皮膚疾患分類における長尾分布の課題に取り組むため、少量学習と転移学習の統合的な活用が有効である。
Tiivistelmä
本研究は、皮膚疾患分類における長尾分布の課題に取り組むため、少量学習と転移学習の統合的な活用を提案している。
具体的には以下の4つの手法を検討している:
- 少量エピソード転移学習(FETL): ImageNetの事前学習モデルを用いつつ、エピソード学習を行う。
- 少量エピソード学習(FEL): ImageNetの事前学習を行わずにエピソード学習を行う。
- 深層転移学習(DTL): ImageNetの事前学習モデルを用いて通常の学習を行う。
- 深層学習(DL): ImageNetの事前学習モデルをそのまま使用する。
これらの手法を、ISIC2018、Derm7pt、SD-198の3つのデータセットで評価した。その結果、以下のことが明らかになった:
- 少量学習とエピソード学習を組み合わせたFETLが、少量の訓練データでも良好な性能を発揮する。
- 訓練データ数が増えるにつれ、転移学習ベースのDTLとDLが優位になる。
- データセットの特性に応じて、適切な手法を選択することが重要である。
- データ拡張手法(MixUp、CutMix、ResizeMix)をDTLに組み合わせることで、さらなる性能向上が得られる。
本研究の成果は、皮膚疾患分類における長尾分布の課題に対する有効な解決策を示している。
Tilastot
少量の訓練データでも高い性能を発揮するFETLモデルの精度は、2-way 1-shotで84.77%、5-way 1-shotで65.85%に達した。
訓練データ数が増えるにつれ、DTLモデルの精度が向上し、2-way 10-shotで95.69%、5-way 10-shotで91.37%を記録した。
データ拡張手法を組み合わせたDTLモデルは、2-way 10-shotで95.05%、5-way 10-shotで88.08%の精度を達成した。
Lainaukset
"皮膚疾患分類における長尾分布の課題に取り組むため、少量学習と転移学習の統合的な活用が有効である。"
"訓練データ数が増えるにつれ、転移学習ベースのDTLとDLが優位になる。"
"データ拡張手法(MixUp、CutMix、ResizeMix)をDTLに組み合わせることで、さらなる性能向上が得られる。"