17、图像标签与癌症转移检测的深度学习探索

图像标签与癌症转移检测的深度学习探索

1. 图像标签的深度学习方法

1.1 向量空间与标签查找

在向量空间中，我们尝试找到向量 E 以增加值 D，这意味着两个向量更相似。给定一组标签 Ti，我们可以利用余弦距离（公式 6）找到一组最相似的标签 Wi。
[
{Wi} = similar(Ti)
]

1.2 实验分析

• 数据集 ：使用 MIRFLICKR - 25000 数据集，包含 25000 张图像及其对应标签和真实标签，有 24 个真实类别和 1386 个标签，标签存在语义重叠。
• 训练过程 ：神经网络使用 20000 张图像数据训练 15 个周期，训练集和验证集比例为 80:20，训练后在剩余 5000 张图像上测试。

1.3 实验结果

• 平均精度均值（mAP）比较 ：
  | MODEL | mAP SCORE |
  | — | — |
  | BoW + KNN | 0.34 |
  | BoW + Tagprop | 0.33 |
  | Bow + TagVoting | 0.34 |
  | CNN + KNN | 0.63 |
  | CNN + TagProp | 0.65 |
  | TaggerNet | 0.72 |

从表格可以看出，TaggerNet 的 mAP 得分最高，表现优于其他模型。