始于2019年的新冠肺炎仍然肆虐全球,快速低成本检测该疾病成为了医学技术领域最热门的话题,早已有专家发现,核酸+胸部医学影像检测相结合是更可信的检测手段。胸部X光影像是低成本的检测技术,但深度学习往往需要大量的训练样本,但目前公开可获得的样本不过数千。如何在样本不足的情况下使用深度学习进行检测呢?迁移学习是很不错的选择!但还可以更好吗?今天公开的一篇论文 COVID-19 detection from scarce chest x-ray image data using deep learning 使用孪生网络在这个少样本学习问题中做了实验,取得了不错的效果。作者已经开源了代码。论文作者信息: 胸部X光影像示例:上图中covid为新冠肺炎样本,Viral Pneumonia 为普通肺炎,Normal为正常样本。 作者使用的数据集来自kaggle:
数据集1 含有 1200幅 COVID-19阳性图像,1341幅正常图像和1345普通肺炎图像。数据集2 含有317幅图像,也分为上述三类。 普通迁移学习的示意图: 将在其他相近任务数据集上训练的权重进行微调,进行不同肺炎的分类训练。 孪生网络用于分类的方法示例: 同时输入两幅图像,经过图像增广+共享权重的CNN网络提取特征,判断提取到的特征是否来自同一类。 很显然,孪生网络既可以从头训练,也可以将其中CNN网络使用预训练模型的权重,就是孪生网络+迁移学习。 作者在前述数据集中了实验,孪生网络+迁移学习取得了最好的分类结果,在各项指标中全面领先。 如下图: 对比技术包括逻辑回归、5层CNN、VGG16迁移学习、从头训练的孪生网络。 也许提到图像分类,我们往往会想到预训练模型+迁移学习,但在少样本学习中,孪生网络也是一个值得尝试的不错选择。但愿在其他任务中也有效! 论文: https:///pdf/2102.06285.pdf 代码: https://github.com/shruti-jadon/Covid-19-Detection 备注:小样本 小样本零样本域适应交流群 小样本学习、零样本学习、域适应等技术, 若已为CV君其他账号好友请直接私信。 微信号:aicvml QQ群:805388940 微博知乎:@我爱计算机视觉 投稿:amos@52cv.net 网站:www.52cv.net 喜欢文章就点在看哦 |
|