Data-Driven Deep Supervision for Skin Lesion Classification

摘要

在本文中，我们提出了一种新的深度神经网络，利用输入数据进行鲁棒特征提取。分析卷积网络的行为(视场)来找到深度监督的位置，以改进特征提取。

1. 首先执行激活映射以生成对象掩码，突出显示对分类输出生成最关键的输入区域
2. 然后选择其层有效接受野与目标掩模中近似的目标形状相匹配的网络层作为我们深度监督的重点

在三个黑色素瘤检测数据集和两个白癜风检测数据集上使用不同类型的卷积特征提取器和分类器，验证了新方法的有效性

本文方法

框架的主要组成部分:
(1)LERF的确定
(2)形态学对象大小的近似
(3)深度监督的使用，分别用蓝色、橙色和红色背景表示。具体来说，利用激活图，生成形态学对象掩码。选择LERF大小与形态学对象大小匹配较好的网络层进行深度监督。(网上彩色图)

Layer-Wise Effective Receptive Field (LERF)

(a)线性激活的VGG13结构产生的感受野高斯分布
(b) RF的边界用红色方框表示。ERF的边界用虚线表示。为特征提取器的最后一层(L34)生成图。
© - (e) L28、L24和L21的LERF图。
(f)对提取的卷积层次特征进行平均池化和分类。

Object Size Approximation Using Activation Mapping

(a)对提取的conv特征的CNN进行池化和分类，以生成最终的输出
(b)为预测类生成的激活图yes。对生成的激活图设置δ = 0.5的阈值以生成一个摘要掩码。
© - (d) - (e) - (f)分别为样例图像、灰色激活图、彩色激活图和摘要蒙版
(g)中部区域的边界框
(h) - (i)分别在激活图和输入图像上显示的对象掩模。(网上彩色图)

Deep Supervision Employment

为了应用深度监督，我们使用LERFh和Obj2中计算来找到目标层Ltarget，即对特征提取有突出贡献的conv层。

总损失计算为Losstotal = Lossmain + Lossaux，其中Lossmain是主要损失，Lossaux是辅助损失。

讨论与深度监督实现相关的两个方面:(1)辅助分类器设计;(2)迁移学习

实验结果