研究人员探索了数据增强技术，以提高皮肤镜皮肤病变分类器在域偏移下的鲁棒性。他们的研究利用ConvNeXt-Large骨干网络和ISIC Archive与Derm7pt，发现复合策略，特别是涉及光度变换的策略，在域外泛化方面取得了最大的收益。研究结果表明，模仿真实世界域偏移的增强比仅最大化域内准确性更具影响力，但建议使用源不相交选择协议进行进一步验证。 AI
影响 增强了用于医学诊断的AI模型的鲁棒性，有可能提高在不同临床环境下的准确性。
排序理由 该集群包含一篇详细介绍改进AI模型泛化研究结果的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
Background/Objectives: Dermoscopic skin lesion classifiers often lose accuracy under domain shift across imaging devices, illumination, and capture artifacts. We study how data augmentation improves the robustness of a binary malignant-versus-non-malignant classifier, with emphas…
arXiv:2607.26765v1 Announce Type: new Abstract: Background/Objectives: Dermoscopic skin lesion classifiers often lose accuracy under domain shift across imaging devices, illumination, and capture artifacts. We study how data augmentation improves the robustness of a binary malign…