综述：

3种迁移学习策略：迁移模型的结构调整策略、参数调整策略，从迁移模型中提取特征的策略

5 种迁移学习模式：

简单模式：

深度卷积神经网络 (deep convolution neural network,DCNN) 模式、混合模式、特征组合分类模式、

复杂模式：多分类器融合模式和二次迁移模式。

存在的问题并展望未来研究方向：

罕见疾病病理图像数据样本很少, 如何通过迁移学习提高罕见疾病图像分类也是一个问题。

一方面通过对抗迁移学习来生成符合要求的罕见疾病病理图像样本,增加样本数量

模型举例：

卷积神经网络 (convolution neural network,CNN) 可以直接采用原始图像作为输入, 自动学习和提取特征 , 避免传统算法的特征定义和参数设置的复杂过程

对抗式迁移学习

对抗生成网络, 用来生成皮肤癌图像样本, 通过增加样本的方法提高皮肤癌分类准确性

绝大多数研究采用基于模型的迁移学习,并且主要采用深度卷积神经网络( deep convolution neural network,DCNN)作为迁移模型。

迁移学习策略

结构调整策略指修改迁移模型结构的方式,根据需要删除某些层或增加某些层,包括卷积层、完全连接(full connection,FC)层和其他层。其他层属于卷积层或 FC 层,例如池化层属于卷积层,而 softmax 层属于 FC 层。

参数调整指通过使用目标域数据对迁移模型进行再训练以调整模型参数, 目的是获得更好的分类

效果。

调整卷积层参数可以获得更准确的特征, 调整 FC 层参数能提高分类性能。

从迁移模型中提取特征的策略指从模型的某个或某些层提取特征,可以从卷积层提取特征,也可以从 FC 层提取特征

DCNN 模式就是用同一个 DCNN 完成图像特征提取和分类。

DCNN 能够通过卷积层提取医学图像的深层特征 , 同时还可以通过全连接层完成图像的分类任务 ,

混合模式由 DCNN 和分类器组成 , 前者进行特征提取, 后者用于分类

使用多种方法分别提取同一个图像数据集的特征,得到的多种特征再通过某些方法进行融合。该模式中,特征来源有两种情况, 一种是图像特征由不同 DCNN 分别提取;另一种是由 DCNN 和传统方法分别提取。

多分类器融合模式由多个分类器组成,其核心是得到多个分类结果再进一步整合得到最终分类结果,分为包含 DCNN 模式和包含混合模式两种