MedMNIST-C: 通过模拟真实图像损坏的全面基准和改进的分类器鲁棒性
原文中文,约400字,阅读约需1分钟。发表于: 。我们创建并开源了基于 MedMNIST + 收藏的 12 个数据集和 9 种成像模式的基准数据集 MedMNIST-C,模拟了不同严重程度的任务和模式特定图像损坏以全面评估已建立算法对真实世界工件和分布偏移的鲁棒性,并提供定量证据表明我们简单易用的人工损坏方法可用于提高模型的鲁棒性。与传统的通用增强策略不同,我们的方法利用领域知识,在与广泛采用的方法相比时表现出更高的鲁棒性。通过引入...
研究人员创建了基准数据集MedMNIST-C,包含12个数据集和9种成像模式,用于评估算法对真实世界工件和分布偏移的鲁棒性。他们提供了人工损坏方法来提高模型的鲁棒性,并开源了相应的库。这对医学成像领域的鲁棒方法发展有贡献。