近日，一篇题为《Training Neural Networks with Very Little Data-A Draft》IEEE 论文提出了一种应用少量数据练习神经收集的新办法，即经由过程极坐标空间中的径向变换(radial transform) 实现图像加强。它并未改变数据的信息内容，而是改进了数据的多样性，并最终晋升了神经收集的泛化表示。
摘要：深度神经收集是由很多节点层构成的复杂架构，结不雅导致大年夜量须要在练习中评估的参数，包含权重、误差等。比拟于简单的架构，更大年夜、更复杂的神经收集须要更多的练习数据知足恰当的收敛。然而，可用于练习收集的数据要么竽暌剐限、要么不均衡。我们提出在极坐标空间中的径向变换(radial transform) 进行图像加强，大年夜而赞助数据较少的神经收集进行练习。每像素的坐标变换供给了原始图像与加强后的数据在极坐标体系中的表征，且又能增长表征较弱的图像类其余多样性。应用我们提出的办法，在 MNIST 上，以及应用 AlxNet、GoogLeNet 神经收集模型的一系列多模型医疗图像上的实验表示出了极高的分类精确率。
图 1：径向变换采样。a)应用径向变换大年夜笛卡尔坐标体系(左)中榜样本映射到极坐标体系(右)。b)极坐标体系中的径向变换。c)应用径向变换筛选 256 × 256 图像(2D 平面)中的离散样本。随便率性选定的顶点在像素(170，50)处。d)把 c)中筛选的样本大年夜极坐标体系映射到笛卡尔坐标体系。红色样本注解了样本大年夜 c)到 d)的映射偏向。
论文地址：https://arxiv.org/pdf/1708.04347.pdf
图 2 ：来自 MNIST 数据集的样本和应用极坐标系中的径向变换 RT(·)的响应表征。
图 3：多模态医疗数据集的样本，以及在极坐标体系中应用径向变换的响应表征。
表 4：应用 MNIST 和医疗多模态数据集中的原始和径向变换图像练习的 AlexNet 和 GoogLeNet 模型的收敛行动。术语「RT」是指径向变换图像，术语「Original」是指用很少的原始图像练习的模型。x 轴表示练习迭代，左 y 轴表示练习时的模型损掉，右 y 轴表示使悠揭捉?证数据集练习时的模型精确度。
表 1：经由过程原始和径向变换的多模态医疗图像练习的 AlexNet 和 GoogLeNet 的精确度(「Acc.」in %)和置信度(「Conf.」in %)值。「Abd」是指腹部 MRI，「Std」是标准误差。黑体部分是最佳结不雅。
表 2 ：经由过程原始和径向变换的 MNIST 图像练习的 AlexNet 和 GoogLeNet 的精确度(「Acc.」in %)和置信度(「Conf.」in %)值。「Std」是标准误差。黑体部分是最佳结不雅。
结论
成功地练习深度神经收集须要大年夜量均衡的数据。在实践中，大年夜部分数据集都是不均衡的，或者特定类其余数据集可用的数据有限。在此论文中，我们提出了极坐标体系中的径向变换来增长数据集中的样本量，大年夜而赞助对神经收集的练习。提出的┞封种数据加强办法并未改变数据的信息内容，而是改进了数据的多样性。我们的结不雅显示这种办法增长了神经收集的泛化表示，也就是机械进修模型猜测未知数据的输出值的精确率。在异常少的数据上练习当缁ゎ佳的 AlexNet 和 GooLeNet 神经收集模型，注解该办法在全部进修流程中练习损掉和验证精确率都有极大年夜的波动。
【编辑推荐】
- 若何应用TensorFlow构建、练习和改进轮回神经收集
- 大年夜技巧到产品，苹不雅Siri深度进修语音合成技巧揭秘
- 深度进修可视化对象大年夜盘点（附资本）
- 深度进修在电商商品推荐傍边的应用
- 大年夜金属巨人到深度进修，人工智能（极）简史
推荐阅读
而随着经济的发展加快，物质条件空前繁荣，越来越多的人发现，和物质财富的渴望比起来，人们心里底层更需要的是安全感、肯定与赞美，当这一切无法实现时，就会带来身份上的焦虑感。而这种焦虑感现象，正变得越来越普>>>详细阅读
本文标题：IEEE论文提出径向变换实现图像增强
地址：http://www.17bianji.com/lsqh/37115.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示