学术研究No. 45
论文 MelanoGAN-PPO: 黑色素瘤分类
皮肤镜图像里黑色素瘤约占 1.8%, 全判良性的准确率也很高: 论文用 GAN 在线换入同类生成样本, 把分类写成强化学习, 用 Off-policy PPO 与给少数类更重奖惩的奖励表训练.
可现场演示
少数类怎么不被漏掉1 段
示意: 56 张里 1 张黑色素瘤, 直接训练准确率 98.2% 却漏掉它; 换 PPO 加奖励表, 准确率不变, 抓到它
演示滚到这里时加载
这一段证明: 奖励表让少数类不被全判良性吞掉
一篇英文论文, 全文 26 页, 做皮肤镜图像的黑色素瘤分类.
数据是 SIIM-ISIC 黑色素瘤分类挑战赛(ISIC-2020)的皮肤镜图: 去掉 425 张重复后 32,701 张, 其中黑色素瘤 581 张.
模型用三个空洞卷积层提特征再合并分类. 训练写成一串决策: 每张图是一个状态, 网络的判定是动作, 判对判错按奖励表给奖惩, 经验进回放记忆, 用 Off-policy PPO 更新; 多数类的奖惩是 ±λ(0<λ<1), 少数类的奖惩绝对值更大.
数据增强在线做: 每张图按概率保留, 否则换成生成器画的同类新图; 生成器另加重建损失, 用来缓解模式崩溃.
追问
追问 · 第 2 层为什么不直接看准确率?
黑色素瘤只占约 1.8%, 全判良性的准确率也很高; 论文按 F 值与几何平均比较, 这两个指标适合类别失衡的数据.
追问 · 第 3 层奖励表里的 λ 怎么定?
论文稿写 λ 按多数类与少数类的数量比调, 比例越大 λ 越小, 并在 0 到 1 之间每 0.1 一档扫过.