論文の概要: Recurrent Contrastive Learning for Imbalanced Medical Image Classification

• arxiv url: http://arxiv.org/abs/2608.03304v1
• Date: Tue, 04 Aug 2026 08:14:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-05 15:30:23.095386
• Title: Recurrent Contrastive Learning for Imbalanced Medical Image Classification
• Title（参考訳）: 不均衡な医用画像分類のための反復コントラスト学習
• Authors: Zhiyuan Zhu, Xinling Meng, Junxuan Yu, Jiongquan Chen, Qiongying Ni, Tuhang Shao, Yuhao Huang, Luping Zhou, Ruiyang Huang, Yuxue Wang, Rongliang Zhang, Xue Wang, Tianhong Tang, Likun Wang, Junbo Chen, Yong Jiang, Yongping Lu, Xin Yang,
• Abstract要約: 不均衡な医用画像分類のためのRecurrent Contrastive Learning (RCL)を提案する。 RCLは、歴史的特徴状態を反復的に再利用することによって、テールクラスのサポート領域を徐々に拡大する。 TMQをベースとしたテンポラルアンカー(TAR)を構築し,テールクラスを囲むアンカーフィールドを形成する。
• 参考スコア（独自算出の注目度）: 36.625692787657535
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Medical image classification often suffers from class imbalance due to the inherent disparities in disease incidence. Existing approaches, such as class resampling and loss reweighting, mainly improve learning within the observed feature distribution, but do not explicitly enlarge the latent support region of tail classes. As a result, tail-class representations remain overly compact and are easily encroached upon by head classes, leading to biased decision boundaries. In this work, we propose Recurrent Contrastive Learning (RCL) for imbalanced medical image classification. RCL progressively expands the support region of tail classes by recurrently reusing historical feature states across training phases. Specifically, we adopt DINOv3 with LoRA adapters as the backbone to provide robust feature embeddings. We then devise a Temporal Memory Queue (TMQ) to preserve corpus-level features across training phases and provide diversified global references for contrastive learning. Based on TMQ, we construct Temporal Anchors (TARs) to form an anchor field around tail classes. This field enlarges the support region of tail classes, suppresses head-class encroachment, and improves inter-class separation. Extensive experiments on three imbalanced medical datasets demonstrate that RCL achieves consistent improvements over strong baselines. The code is available at https://github.com/dndins/RCL.
• Abstract（参考訳）: 医用画像の分類は、疾患の発生の固有の相違により、しばしば階級不均衡に悩まされる。 クラス再サンプリングや損失再重み付けといった既存のアプローチは、主に観察された特徴分布内の学習を改善するが、テールクラスの潜在サポート領域を明示的に拡大しない。 結果として、テールクラス表現は過度にコンパクトであり、ヘッドクラスによって容易にエンクローチされ、バイアスのある決定境界が導かれる。 本研究では,不均衡な医用画像分類のためのRecurrent Contrastive Learning (RCL)を提案する。 RCLは、トレーニングフェーズ間で歴史的特徴状態を繰り返し再利用することで、テールクラスのサポート領域を徐々に拡大する。 具体的には、ロラアダプタをバックボーンとしてDINOv3を採用し、堅牢な機能埋め込みを提供します。 次に、時間記憶キュー(TMQ)を考案し、トレーニングフェーズ全体にわたってコーパスレベルの機能を保存し、コントラスト学習のための多彩なグローバル参照を提供する。 TMQをベースとしたテンポラルアンカー(TAR)を構築し,テールクラスを囲むアンカーフィールドを形成する。 このフィールドは、テールクラスのサポート領域を拡大し、ヘッドクラスのエンクロメントを抑制し、クラス間の分離を改善する。 3つの不均衡な医療データセットに対する大規模な実験は、RCLが強いベースラインよりも一貫した改善を達成していることを示している。 コードはhttps://github.com/dndins/RCLで公開されている。

関連論文リスト

• Solving the long-tailed distribution problem by exploiting the synergies and balance of different techniques [6.068761166911576]
  長い尾のデータ分布は一般的であり、経験的リスク最小化で訓練されたモデルでは、尾のクラスを効果的に学習し分類することは困難である。 SCL(Supervised Contrastive Learning)、RSG(Rare-Class Sample Generator)、LDAM(Label-Distribution-Aware Margin Loss)の3つのロングテール認識技術について検討した。
  論文  参考訳（メタデータ） (2025-01-23T15:35:15Z)
• Long-Tail Learning with Rebalanced Contrastive Loss [1.4443576276330394]
  本稿では、長い尾の分類精度を高めるための効率的な方法であるRe Balanced Contrastive Learning(RCL)を提案する。 RCLは、特徴空間のバランス性、クラス内コンパクト性、正規化の3つの主な側面に対処する。 3つのベンチマークデータセットに対する実験では、学習した埋め込みの豊かさと、BCLフレームワークに提供されるトップ1バランスの精度の向上が示されている。
  論文  参考訳（メタデータ） (2023-12-04T09:27:03Z)
• A dual-branch model with inter- and intra-branch contrastive loss for long-tailed recognition [7.225494453600985]
  長い尾のデータセットで訓練されたモデルは、テールクラスへの適応性が低く、決定境界は曖昧である。 我々は,不均衡学習枝と対照学習枝(CoLB)を含む,単純で効果的なDual-Branch Long-Tailed Recognition (DB-LTR)を提案する。 CoLBは、テールクラスに適応する際のモデルの能力を改善し、不均衡な学習ブランチを支援して、よく表現された特徴空間と識別的決定境界を学習する。
  論文  参考訳（メタデータ） (2023-09-28T03:31:11Z)
• LCReg: Long-Tailed Image Classification with Latent Categories based Recognition [81.5551335554507]
  本稿では,Lar-tail Recognition(LCReg)法を提案する。 我々の仮説は、頭と尾のクラスで共有される一般的な潜伏的特徴は、特徴表現を改善するために使用できるというものである。 具体的には、頭と尾の両方で共有されるクラス非依存の潜伏特徴の集合を学習し、潜伏特徴のセマンティックデータ拡張を用いてトレーニングサンプルの多様性を暗黙的に増加させる。
  論文  参考訳（メタデータ） (2023-09-13T02:03:17Z)
• Dual Compensation Residual Networks for Class Imbalanced Learning [98.35401757647749]
  そこで本研究では,尾と頭の両方に適合する2次元補償残差ネットワークを提案する。 オーバーフィッティングを引き起こす重要な要因は、トレーニングとテールクラスのテストデータの間に深刻な特徴ドリフトがあることである。 また,不適合問題を軽減するためにResidual Balanced Multi-Proxies分類器を提案する。
  論文  参考訳（メタデータ） (2023-08-25T04:06:30Z)
• Improving GANs for Long-Tailed Data through Group Spectral Regularization [51.58250647277375]
  本稿では, スペクトル爆発によるモード崩壊を防止する新しいグループスペクトル正規化器 (gSR) を提案する。 我々は,gSRが既存の拡張および正規化技術と効果的に組み合わせることで,長期化データ上での最先端の画像生成性能が向上することを発見した。
  論文  参考訳（メタデータ） (2022-08-21T17:51:05Z)
• Improving Tail-Class Representation with Centroid Contrastive Learning [145.73991900239017]
  本稿では,長い尾を持つ表現学習を改善するために,補間型セントロイドコントラスト学習(ICCL)を提案する。 ICCLは、クラス別サンプルとクラス別サンプルの2つの画像を補間し、ICCLの表現が両方のソースクラスのセントロイドを取得するために使用されるようにモデルを訓練する。 我々の結果は、現実世界の長い尾の分布を持つiNaturalist 2018データセットで2.8%の精度向上を示した。
  論文  参考訳（メタデータ） (2021-10-19T15:24:48Z)
• ResLT: Residual Learning for Long-tailed Recognition [64.19728932445523]
  本稿では,パラメータ空間の側面から,より基本的なロングテール認識の視点を提案する。 すべてのクラスから画像を認識するために最適化されたメインブランチと、medium+tailクラスとtailクラスからのイメージを強化するために徐々に2つの残りのブランチを融合して最適化する。 我々は、CIFAR-10、CIFAR-100、Places、ImageNet、iNaturalist 2018の長期バージョンであるいくつかのベンチマークでこの方法をテストする。
  論文  参考訳（メタデータ） (2021-01-26T08:43:50Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。