Core Concepts
대조 기반 딥 임베딩을 활용하면 레이블 노이즈에 강한 병리 이미지 분류 모델을 개발할 수 있다.
Abstract
이 논문은 병리 이미지 분류에서 레이블 노이즈 문제를 해결하기 위한 방법을 제안한다.
병리 이미지 분류에서는 정확한 레이블 데이터 확보가 어려워 노이즈가 발생하는 문제가 있다.
이를 해결하기 위해 대조 기반 딥 임베딩을 활용하여 레이블 노이즈에 강한 분류기를 학습하는 방법을 제안한다.
다양한 병리 이미지 데이터셋에 대해 실험을 진행하였으며, 대조 기반 임베딩이 기존 방법들에 비해 레이블 노이즈에 더 강한 성능을 보였다.
특히 비대조 기반 임베딩에 비해 대조 기반 임베딩이 레이블 노이즈에 더 강한 것으로 나타났다.
이는 대조 학습이 노이즈에 강한 표현을 학습할 수 있기 때문인 것으로 분석된다.
Stats
병리 이미지 데이터셋에는 전문가의 정확한 레이블 확보가 어려워 노이즈가 발생한다.
딥 신경망은 노이즈 레이블에 쉽게 과적합되어 성능이 크게 저하될 수 있다.
Quotes
"Indeed, deep neural networks can easily overfit label noise, leading to severe degradations in model performance."
"We demonstrate that classifiers trained on contrastive deep embeddings exhibit improved robustness to label noise compared to those trained on the original images using state-of-the-art methods."