對于AI深度神經(jīng)網(wǎng)絡(luò)主要由許多節(jié)點層組成的復(fù)雜架構(gòu)，結(jié)果導(dǎo)致大量需要在訓(xùn)練中評估的參數(shù)，包括權(quán)重、偏差等。相比于簡單的架構(gòu)，更大、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)需要更多的訓(xùn)練數(shù)據(jù)滿足適當?shù)氖諗俊?/span>
最近，在IEEE論文提出如何可以減少少量數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)的新方法，其實，主要通過極坐標空間中的徑向變換實現(xiàn)圖像增強。雖然，并未改變數(shù)據(jù)的信息內(nèi)容，而是改進了數(shù)據(jù)的多樣性，并最終提升了神經(jīng)網(wǎng)絡(luò)的泛化表現(xiàn)。
其實，從圖中可以看到。a）使用徑向變換從笛卡爾坐標系統(tǒng)（左）中把樣本映射到極坐標系統(tǒng)（右）。b）極坐標系統(tǒng)中的徑向變換。c）使用徑向變換篩選 256 × 256 圖像（2D 平面）中的離散樣本。任意選定的極點在像素（170，50）處。d）把 c）中篩選的樣本從極坐標系統(tǒng)映射到笛卡爾坐標系統(tǒng)。紅色樣本表明了樣本從 c）到 d）的映射方向。
然后，上圖來自MNIST 數(shù)據(jù)集的樣本和使用極坐標系中的徑向變換 RT（•）的相應(yīng)表征。還有，下圖中的多模態(tài)醫(yī)療數(shù)據(jù)集的樣本，以及在極坐標系統(tǒng)中使用徑向變換的相應(yīng)表征。
IEEE利用AI神經(jīng) 將變換實現(xiàn)圖像增強
使用MNIST和醫(yī)療多模態(tài)數(shù)據(jù)集中的原始和徑向變換圖像訓(xùn)練的AlexNet和GoogLeNet模型的收斂行為。術(shù)語「RT」是指徑向變換圖像，術(shù)語「Original」是指用很少的原始圖像訓(xùn)練的模型。x軸表示訓(xùn)練迭代，左y軸表示訓(xùn)練時的模型損失，右y軸表示使用驗證數(shù)據(jù)集訓(xùn)練時的模型準確度。
通過原始和徑向變換的多模態(tài)醫(yī)療圖像訓(xùn)練的 AlexNet 和 GoogLeNet 的準確度（「Acc.」in %）和置信度（「Conf.」in %）值?！窤bd」是指腹部 MRI，「Std」是標準偏差。黑體部分是最佳結(jié)果。
此外，通過原始和徑向變換的 MNIST 圖像訓(xùn)練的AlexNet和GoogLeNet的準確度（「Acc.」in %）和置信度（「Conf.」in %）值?！窼td」是標準偏差。黑體部分是最佳結(jié)果。
微信掃一掃
