| Texto completo | |
| Autor(es): |
Perin, Gabriel J.
;
Hirata, Nina S. T.
Número total de Autores: 2
|
| Tipo de documento: | Artigo Científico |
| Fonte: | 2024 37TH SIBGRAPI CONFERENCE ON GRAPHICS, PATTERNS AND IMAGES, SIBGRAPI 2024; v. N/A, p. 6-pg., 2024-01-01. |
| Resumo | |
Motivated by the inherent data scarcity in the medical domain, this work studies few-shot retinal disease classification, using the Brazilian Multilabel Ophtalmological Dataset. We compare different network architectures and non-trivial data augmentations under the application of the Reptile Algorithm, conducting quantitative and qualitative analysis. Regarding the architectures, we observe that Swin outperforms ViT and ResNet. We also observe that clever data augmentations not only improve performance, but can also generate prediction confidence distributions that are more interpretable and trustworthy. Furthermore, pre-training the models with domain-specific data leads to superior ability of the models to detect the relevant patterns in the images. Code is available at github.com/gabjp/few-shot-BRSET. (AU) | |
| Processo FAPESP: | 23/15047-4 - Fusão de Large Language Models |
| Beneficiário: | Gabriel Jacob Perin |
| Modalidade de apoio: | Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica |
| Processo FAPESP: | 22/11645-1 - Classificação de estrelas, galáxias e quasares baseada em imagens fotométricas multibandas |
| Beneficiário: | Gabriel Jacob Perin |
| Modalidade de apoio: | Bolsas no Brasil - Iniciação Científica |
| Processo FAPESP: | 22/15304-4 - Aprendizado de representações ricas em contexto para visão computacional |
| Beneficiário: | Nina Sumiko Tomita Hirata |
| Modalidade de apoio: | Auxílio à Pesquisa - Temático |