IT数码 购物 网址 头条 软件 日历 阅读 图书馆
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
图片批量下载器
↓批量下载图片,美女图库↓
图片自动播放器
↓图片自动播放器↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
 
   -> 人工智能 -> MetaCOVID算法阅读笔记 -> 正文阅读

[人工智能]MetaCOVID算法阅读笔记

论文地址:MetaCOVID: A Siamese neural network framework with contrastive loss for n-shot diagnosis of COVID-19 patients

算法介绍:

上述图片是算法结构图,整体流程和典型的Siamese网络结构相似,但更换了子网络的结构,使用的是VGG-16。

损失函数使用的是两个(比较损失函数和二分类交叉熵损失函数)相加:

L = Lpos + Lneg

Loss = (1 ? y) ? 1 2 (dw )2 + (y) ? 1 2{max (0, m ? dw)} 2

L = ?y log p + (1 ? y)log (1 ? p)

数据集:

开源数据集:

1.?Dr. Joseph Cohen在GitHub上创建的数据集,包括COVID19,呼吸综合征等多个类别的样本,230个患者样本,数据源不断更新。[J. Cohen. COVID-19 image data collection, 2020. https://github.com/ieee8023/ covid-chestxray-dataset]

2. Kaggle上的数据集,有肺炎和健康两种类别,共有5856个样本。[?Chest X-Ray Images (Pneumonia), https://www.kaggle.com/ paultimothymooney/chest-xray-pneumonia]

本文使用的都是CXR images(胸部X光检查图片),从以上两个数据集,分别抽取226个COVID-19[数据集1],健康[数据集2]和肺炎[数据集2],共678个样本用于本次实验。

样本也应用于VGG-16的预训练,数据的划分比例见下表。

D(支持集):包括K类,每类有?N个样本,共有K*N个样本

Q(查询集):来自K个不同类别的多个样本,用于测试模型效果。

训练过程:

预处理:由于数据集中的图像来自不同的地点和不同的临床环境,图像的强度和质量相差很大。然而,我们避免了对数据集中的CXR图像进行大量预处理,从而提高了我们提出的Siamese网络模型的泛化能力。这反过来使我们的模型在从输入图像中提取特征嵌入时,对图像中出现的伪像和噪声更加鲁棒。

1. 将所有图像重新缩放为100 x 100像素的大小,以获得整个数据集的一致图像尺寸。

2. 执行强度归一化,也称为缩放,这是一个重要的预处理任务,以加快模型收敛,消除特征偏差,获得一个均匀的分布的数据集。

3. 利用最小-最大归一化技术将图像像素值[0,255]转换为[0,1],得到一个标准的正态分布。

4. 最后,对所有三个RGB通道的输入图像进行直方图均衡化,以提高图像的对比度。这通常是通过有效地拉伸最常用的强度值来实现的,从而使局部对比度较差的区域获得更好的对比度。

预训练使用Adam优化器,0.0001的初始学习率,后期学习率会使用Keras的ReduceLROnPlateau callback 调整。具体的与训练操作描述在原文中详细写了[5.2. Experimental settings],这里不赘述。

训练过程:

使用tensorflow实现,python3.x

测试过程:

用到的指标:PPV ,TPR,TNR,FPR,F1-score,AUC.

根据算法图中的流程,以及原文中的描述,测试过程“个人理解”为:输入测试样本到一支子网络,得到编码后的特征(记为A),将k类的n个“标准”样本(k-way n-shot)输入一支子网络得到编码特征(记为B),计算A和B的欧式距离,如果距离小于设定的阈值,则测试样本与该标准样本为同一类。

实验设计:

1. 比较不同shot数的结果:设置每类的shot数为7-10.

2. 比较交叉熵损失函数对算法的影响:也设置shot数为7-10,比较不同shot数时交叉熵损失函数的效果。

3.比较Siamese网络于其他预训练过的CNN模型

4.将模型应用在二分类上的效果:

总结:

1. 提出的模型具有95.6%的准确性。

2. 提出的模型表现优于那些预训练好的CNN模型。

3.模型缺乏可解释性。

  人工智能 最新文章
Neo4j 实战篇(一)基于Py2Neo构建电影知识
消息传递神经网络(MPNN)内容及代码实践
OpenCV+百度云人脸识别项目及源码
实验5 卷积神经网络实验中
论文详解:Attention-based Extraction of
Tensorflow进阶
科技时代,如何保护个人隐私?
【元宇宙系列】游戏与元宇宙(下)——拉动
pytorch学习13:实现LetNet和学习nn.Module
LSTM的本质理解-正向传播
上一篇文章      下一篇文章      查看所有文章
加:2021-07-05 20:20:08  更:2021-07-05 20:20:14 
 
开发: C++知识库 Java知识库 JavaScript Python PHP知识库 人工智能 区块链 大数据 移动开发 嵌入式 开发工具 数据结构与算法 开发测试 游戏开发 网络协议 系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑 笔记本 显卡 显示器 固态硬盘 硬盘 耳机 手机 iphone vivo oppo 小米 华为 单反 装机 图拉丁
360图书馆 购物 三丰科技 阅读网 日历 万年历 2022年5日历 -2022/5/24 4:51:19-
图片自动播放器
↓图片自动播放器↓
TxT小说阅读器
↓语音阅读,小说下载,古典文学↓
一键清除垃圾
↓轻轻一点,清除系统垃圾↓
图片批量下载器
↓批量下载图片,美女图库↓
  网站联系: qq:121756557 email:121756557@qq.com  IT数码