钉马掌的小铁匠的博客

之前写的两篇博客《domain adaptation 之 domain adversarial learning（一）》和《domain adaptation 之 domain adversarial learning (二）》使用对抗生成网络(GAN)寻找域不变性特征或拉近特征域距离都是在CNN 深度特征映射空间中进行的，本文介绍的方法是如何从源域生成一批目标域的数据集。一、cycleGAN介绍cycleGAN是一个图像到图像的对抗生成训练网络，可以很好地迁移图像风格。cycleGAN具有很好的普适性

正如《domian adaptation 之 domain adversarial learning (一)》中介绍的，设计一个 domain adversarial learning 的新方法被简化为以下三个问题：是否选择基于生成或者辨别的网络；是否共享网络权重；选择哪一个对抗学习目标。为了拉近两个域之间的距离，可以共享网络参数也可以选择不共享网络参数；但是当特征生成器生成的源域特征固定，并使用网络提取的目标域特征模仿提取的源域特征时，需要固定源域特征生成器的参数并调整目标域特征生成器的参数。

通过对抗性学习学习域之间的不变性是域适应中的一个策略。如何去设计一个新方法对域进行适应被简化为三个问题：是否选择基于生成或者辨别的网络；是否共享网络权重；选择哪一个对抗学习目标。论文[1]中介绍了一种域自适应方法，该方法使用了生成对抗网络，共享了网络权重，并选择GRL (gradient reversal layer)学习域之间的不变性特征。接下来对论文[1]进行介绍。该论文的目的是对显微镜图像(microscopy images, MSI) 进行分类，但是显微镜图像是没有标注的，但是整张切片

一、小数据集的过拟合问题我们现在了解到的是深度学习适合于大规模数据的应用，而在小规模的数据上易出现过拟合。深度学习的特点是它擅于记忆，它能非常出色地基础训练数据的数据特征，从而在训练的数据上表现优异。在针对特定任务时，大规模的数据往往能涵盖特征空间的绝大部分，此时的训练集的特征空间往往与验证集的特征空间高度重合，深度学习模型在记住训练集特征的同时也就记住了验证集特征，以至于在训练集表现优秀的模型在验证集数据上也能表现很好。但是小规模的数据集通常只占据特定任务特征空间的一部分，此时划分的训练集和验证集的特征

GLRLM–灰度行程矩阵1. GLCM 的解释与计算GLRLM，全程 gray-level run-length matrix，这里翻译为 灰度形成矩阵。概念描述： 灰度共生矩阵用于描述图像某一像素值iii沿某一方向θ\thetaθ连续相邻为jjj的个数，记GLRLM中一个值为D(i,j,θ)D(i,j,\theta)D(i,j,θ)，其中iii是像素值或灰度值，jjj是连续相邻数，θ\th...

GLSZM–灰度区域大小矩阵1. GLSZM 的解释与计算GLSZM，全称gray-level size zone matrix，中文名称弧度区域大小矩阵。概念描述： GLSZM与GLRLM（gray-level run-length matrix）类似，GLRLM是在一维方向上记录连续jjj个像素值iii连续相邻的情况的出现的次数，GLSZM是在二维区域内记录图像区域内有jjj个iii元素...

纹理特征四：NGTDM–邻域灰度差矩阵1. NGTDM 的解释与计算定义： 假设i=f(k,l)i=f(k,l)i=f(k,l)是坐标为(k,l)(k,l)(k,l)上的像素值。那么点(k,l)(k,l)(k,l)的周围的平均灰度值Ai‾\overline{A_i}Ai​​的计算公式如下：Ai‾=A‾(k,l)=1W−1[∑m=−dd∑n=−ddf(k+m,l+n)],(m,n)≠(0,0)...

GLCM 灰度共生矩阵GLCM（Gray-level co-occurence matrix，灰度共生矩阵）是20世纪70年代初由R.Haralick等人提出的。该方法基于的假设是：图像纹理的变化和色素的空间分布有关。设图上一点(x,y)(x,y)(x,y)与一个距离固定的点(x+d,y+l)(x+d,y+l)(x+d,y+l)，两点的灰度值分别（g1, g2)，之后移动(x,y)(x,y)...