Training Neural Networks with Very Little Data-A Draft
作者:Hojjat Salehinejad
来源:Computer Vision and Pattern Recognition 2017
摘要:深度神经网络是由许多节点层组成的复杂架构,导致大量需要在训练中评估的参数,包括权重、偏差等。相比于简单的架构,更大、更复杂的神经网络需要更多的训练数据满足适当的收敛。然而,可用于训练网络的数据要么有限、要么不均衡,特别是在医学图像处理中。本文提出使用极坐标空间中的径向变换(radial transform) 来对原始图像进行扩充,从而在数据较少的情况下使用神经网络进行训练。实验采用MNIST数据集在AlxNet和GoogLeNet进行验证,结果表面,使用我们提出的方法,相比较于原始图像作为训练集,表现出了更高的分类准确率。
极坐标转换结果:
一张大小为U*V的图像,经过变换之后变为U*V张大小为U*V的图像。
数据集:MNIST和9张MRI医学图像(来自TCIA Collections)。
实验流程:使用MNIST数据集,每个类别20图像,每张图像经过极坐标变换之后生成100张图像。实验组共10个类别为20000张(10*20*100),对照组共10个类别200图像(10*20),分别在AlxNet和GoogLeNet验证不同数据集的分类准确率。医学图像组类似。
实验结果分析