Continual-Zoo: Leveraging Zoo Models for Continual Classification of Medical Images
Notice bibliographique
Résumé
In medical imaging, leveraging continual learning (CL) is key for models to adapt to new classes and data distributions without forgetting prior knowledge. Existing CL methods often overlook the use of off-the-shelf pretrained models that are equipped with informative and generalizable representations, opting instead to learn from scratch. In this paper, we propose Continual-Zoo, a novel CL paradigm that smartly leverages a zoo of pretrained models for continual medical image classification. For a given task, Continual-Zoo distills pertinent knowledge from the fixed zoo through cross-knowledge and semantic-knowledge attention mechanisms to obtain class prototypes. Since deploying a zoo could lead to scalability issues with a large number of models, we propose a novel prototypical variational autoencoder, pVAE, as a zoo knowledge encoder. During inference, Continual-Zoo utilizes pVAE as a feature extractor that maps images to the same space of class prototypes and returns the class whose prototype has the shortest distance in the latent space. To mitigate forgetting in CL, pVAE leverages the class prototypes to synthesize images from previously learned tasks before adapting to new ones. Experimental results on various clinical benchmarks demonstrate the superiority of Continual-Zoo over SOTA methods in class-incremental, domain-incremental, and domain and class-incremental learning scenarios, distinguishing it from most CL methods.Code is available at here.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».