山东大学学报(工学版)

作者：宋辉,张轶哲,张功萱,孟元

单位：南京理工大学计算机科学与工程学院, 江苏 南京 210094

关键词：测试时集成方法,医学图像分类,类权重,最小化熵,深度学习,

基金：国家自然科学基金资助项目(62272232,62201263)

针对传统集成学习方法忽略不同样本需使用不同模型权重的问题,提出一种基于类权重和最小化预测熵(class and entropy weights, CEW)的测试时集成方法。类权重为模型预测结果与验证集上各类概率对错分布的相似度,利用欧氏距离计算相识度;在最小化熵过程中,线性组合模型预测经过类权重模块加权后的输出,寻找最小预测熵对应的线性组合作为熵权重,提高集成模型预测能力。试验结果表明:在4个公开医学图像数据集上,CEW方法与最优单一模型相比,平均召回率提高0.23%~2.81%,准确率提高0.5%~2.54%;与DS方法相比,CEW方法平均召回率最多提高1.25%,准确率最多提高1.1%。基于CEW的测试时集成方法能够在测试时(无标签情况下)动态调整模型权重,比同类方法的预测精度更高。

来源：2024年第3期

《山东大学学报(工学版)》期刊编辑部

查看山东大学学报(工学版)杂志2024年第3期