CoLoRA: Ottimizzazione Efficiente per CNN con Classificazione di Immagini OCT

CoLoRA (Adattamento Convoluzionale a Basso Rango) è stato presentato dai ricercatori come un metodo efficiente per l'ottimizzazione fine delle reti neurali convoluzionali (CNN) con parametri minimi. Questo approccio si basa sulla tecnica LoRA, scomponendo gli aggiornamenti dei kernel in elementi leggeri depthwise e pointwise. In questo modo, riduce il numero di parametri addestrabili per gli aggiornamenti convoluzionali di oltre l'80% rispetto all'ottimizzazione fine tradizionale, consentendo al contempo l'integrazione di questi aggiornamenti nei kernel convoluzionali pre-addestrati esistenti, mantenendo così la dimensione originale del modello e la complessità di inferenza. I test sui dataset MedMNIST, in particolare OCTMNISTv2, rivelano che CoLoRA, applicato a VGG16 e ResNet50, ottiene risultati di classificazione competitivi con un numero significativamente inferiore di parametri addestrabili. I compromessi del metodo tra prestazioni predittive ed efficienza dei parametri vengono esplorati attraverso confronti con transfer learning, adapter, BitFit e varianti convoluzionali di LoRA. Dettagliato in un articolo su arXiv (2505.18315), questo lavoro, annunciato come replace-cross in una data non specificata, è significativo per l'analisi delle immagini mediche, in particolare nella classificazione delle immagini di tomografia a coerenza ottica (OCT), fornendo una soluzione pratica per l'ottimizzazione fine di grandi modelli convoluzionali con risorse computazionali limitate.