目录
ECL: Class-Enhancement Contrastive Learning for Long-Tailed Skin Lesion Classification
摘要
皮肤图像数据集往往存在数据分布不平衡的问题,加剧了计算机辅助皮肤病诊断的难度。最近的一些工作利用监督对比学习(SCL)来应对这种挑战。尽管取得了显著的性能,但这些基于 SCL 的方法更多地关注头部类,而忽略了尾部类中信息的利用。
本文提出了class Enhancement Contrastive Learning(ECL),它丰富了少数群体的信息,平等对待不同的群体。为了增强信息,我们设计了一个混合代理模型来生成类依赖代理,并提出了一种参数优化的周期更新策略。平衡-混合-代理丢失旨在利用样本和代理之间的关系,并平等对待不同类别。考虑到“不平衡数据”和“不平衡诊断难度”,我们进一步提出了平衡加权交叉熵损失。
代码地址
本文方法
SCL (a) 和 ECL (b) 之间的比较。在 SCL 中,头类被过度处理,导致优化集中在头类上。相比之下,ECL利用代理来增强尾部类的学习,并根据平衡对比理论平等对