一种数据增强方法来减少在组织病理学图像中的类不平衡

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 深度学习的性能严重依赖于培训数据的质量和数量.
• 多类/多标签分类中的类不平衡使神经网络倾向于多数类.
• 对象检测面临着前景-后景和类间不平衡;本研究重点关注后者.

研究的目的:

• 为了解决对象检测中的类不平衡,而不会恶化前景背景不平衡.
• 改善在高度不平衡的数据集中检测少数群体.
• 制定适用于具有高实例密度和潜在重叠的数据集的策略.

主要方法:

• 修改的复制粘贴数据增强技术.
• 在损失函数中整合重量平衡方法.
• 应用于核检测数据集,其特点是高实例密度和不平衡.

主要成果:

• 拟议的混合方法成功地改善了少数阶级的分类.
• 大多数类别的表现没有显著地受到影响.
• 该方法对具有高实例密度的数据集有效,其中重叠是一个问题.

结论:

• 数据增强和损失函数权重的组合有效地减轻了对象检测中的类不平衡.
• 这一策略为改善专业化,不平衡数据集的深度学习模型性能提供了实际解决方案.
• 这些发现有助于更强大,更公平的物体检测系统.