基于高区分度patch的CNN图像分类

针对传统CNN在某些图像分类任务中表现不佳的问题,提出了一种改进算法——Patch-based CNN(PCNN)。该算法通过修改损失函数使网络专注于具有区分性的图像块,从而提高了分类准确性。在人造及CT数据集上均取得良好效果。

该算法是描述一类图像分类问题,它有如下特点:

如图,主动脉弓和心脏,绿色部分相同,而黄色部分不同。传统的CNN算法,区分效果不佳。在Multi-Instance Multi-Stage Deep Learning for Medical Image Recognition这篇文章中,作者针对这种场景提出了解决方法。

训练:将整张片子切分成patches,每个patch的label与整片的label相同,将这些patches放入CNN分类器训练,在反向传播时,通过修改损失函数:每个片子中对自己类别相应最高的patch才会贡献。如下L1是标准CNN的损失函数,L2是PCNN的损失函数:

这样训练出的网络,就会对有区分度的patch敏感,而对无区分度的无感。

在该人造数据集上,PCNN取得了完美的效果

在CT数据集上,也取得了很大提高。

 

我体会作者设计这个算法的流程是:

一、通用算法在特定数据集上效果不完美,作者思考其中的痛点,并尝试提出新算法来针对性解决。

二、设计一个人造数据集,验证新算法能完美解决这个痛点。

三、最终虽然对实际数据集有较大提升,但依然不能像人造数据集一样达到完美,是因为实际数据集还有别的痛点。

 

转载于:https://www.cnblogs.com/mimandehuanxue/p/8477483.html

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值