.png){kind=icon}
返回
Balancing misclassification errors in image-based inference using problem domain semantics and a nested cascade architecture
.png){kind=icon}
OA
AI
DOI：10.1007/s00521-025-11613-8.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模式识别模型，特别是神经网络，通常关注最大化分类准确率。然而，在实际应用中，所犯错误（不同类别间的误分类）的类型可能具有不同的相关成本。现有方法忽视了不同类型的误分类错误。误分类标签可以通过专家知识获得，或从类别标签的文本描述语义中推导得出。利用此类误分类成本在部署机器学习系统时可能产生重大影响。在此，我们通过图像和表格领域中的五个示例，展示了如何使用一种采用嵌套分层方式（级联学习）训练的深度神经网络架构——其中早期层解决比后期层更简单的问题——来利用类别标签的此类层次结构特点。我们采用一种称为“错误严重性”的性能度量，并展示了如何将重点放在层次结构中更深的类别上，同时忽略与语义邻近类别相关的错误。
Keyword:
Nested cascade architecture
Multi-class classification
Domain semantics
Misclassification errors
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
4.5
论文数:
850
被引数:
3.2W
机构
引用论文
分享收藏Interpreting chest X-rays via CNNs that exploit hierarchical disease dependencies and uncertainty labels.png)
NEUROCOMPUTINGOAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏
Automated abnormality classification of chest radiographs using deep convolutional neural networksNPJ DIGITAL MEDICINEOAAI
NPJ DIGITAL MEDICINEIF15.1
OAAI分享收藏分享收藏
查看更多内容