Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > eess > arXiv:2501.03839

帮助 | 高级搜索

电气工程与系统科学 > 图像与视频处理

arXiv:2501.03839 (eess)
[提交于 2025年1月7日 ]

标题: MedFocusCLIP:使用像素级注意力在医学数据集中改进少样本分类

标题: MedFocusCLIP : Improving few shot classification in medical datasets using pixel wise attention

Authors:Aadya Arora, Vinay Namboodiri
摘要: 随着基础模型的普及,参数高效的微调已成为利用预训练模型执行下游任务的默认方法。 受到大型语言模型、视觉提示微调和类似技术的最新进展的启发,学习一个额外的提示,以高效地微调预训练的视觉基础模型。 然而,我们观察到,这种提示对于细粒度的视觉分类任务(如医学图像分类)来说是不够的,因为在这些任务中存在较大的类间差异和较小的类内差异。 因此,在本文中,我们提出利用Segment Anything Model 2 (SAM2)先进的分割能力作为视觉提示线索,通过引导CLIP(对比语言-图像预训练)视觉编码器中的注意力到图像中的相关区域,来帮助CLIP视觉编码器。 这有助于模型专注于高度区分性的区域,而不会被视觉相似的背景特征分散注意力,这是在少样本、细粒度分类设置中的基本要求。 我们在包括X射线、CT扫描和MRI图像在内的多种医学数据集上评估了我们的方法,并报告了在(COVID、肺部疾病、脑肿瘤、乳腺癌)数据集上,所提出方法的准确率分别为(71%、81%、86%、58%),而经过少样本训练的预训练CLIP模型的准确率分别为(66%、70%、68%、29%)。 所提出的方法还允许通过使用分割获得的定位信息,得到可解释的分类性能解释。
摘要: With the popularity of foundational models, parameter efficient fine tuning has become the defacto approach to leverage pretrained models to perform downstream tasks. Taking inspiration from recent advances in large language models, Visual Prompt Tuning, and similar techniques, learn an additional prompt to efficiently finetune a pretrained vision foundational model. However, we observe that such prompting is insufficient for fine-grained visual classification tasks such as medical image classification, where there is large inter-class variance, and small intra-class variance. Hence, in this paper we propose to leverage advanced segmentation capabilities of Segment Anything Model 2 (SAM2) as a visual prompting cue to help visual encoder in the CLIP (Contrastive Language-Image Pretraining) by guiding the attention in CLIP visual encoder to relevant regions in the image. This helps the model to focus on highly discriminative regions, without getting distracted from visually similar background features, an essential requirement in a fewshot, finegrained classification setting. We evaluate our method on diverse medical datasets including X-rays, CT scans, and MRI images, and report an accuracy of (71%, 81%, 86%, 58%) from the proposed approach on (COVID, lung-disease, brain-tumor, breast-cancer) datasets against (66%, 70%, 68%, 29%) from a pretrained CLIP model after fewshot training. The proposed approach also allows to obtain interpretable explanation for the classification performance through the localization obtained using segmentation.
主题: 图像与视频处理 (eess.IV) ; 计算机视觉与模式识别 (cs.CV)
引用方式: arXiv:2501.03839 [eess.IV]
  (或者 arXiv:2501.03839v1 [eess.IV] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.03839
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Aadya Arora [查看电子邮件]
[v1] 星期二, 2025 年 1 月 7 日 14:49:12 UTC (1,840 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
eess.IV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CV
eess

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号