在目标检测中,尤其是医学超分辨率的目标检测,始终存在一个问题,即Faster-RCNN 可能获取不到map值问题,可能的原因如下:
(1)医学数据集中的0值像素点太多,无法提供有效的卷积特征,导致rpn网络中的候选框计算梯度时,loss/所有的候选框数量,其实分母这个时候的值非常小。
(2)在计算confidence 时,由于其值多大,一般为0.5, 导致无法输出有效的候选框。
理论上经过rpn的特征图ROI已经过滤掉了像素值为0 的特征图,我们期望重新寻找一种网络,对过滤后的ROI进行特征重组、融合。该任务本文寄希望于图像重建领域的相关思想,其中CDCN网络可以承担次任务,传统的Faster-RCNN 网络一般采用RCNN网络作为后续的图像特征提取、融合。由于乳腺病灶在本文划分中实现的是结节以及钙化的良恶性分类,传统的Faster-RCNN 并不能对其中的结节特征以及边缘进行很好的识别,以此将CDCN网络替换掉传统的RCNN网,并重新设计两层的全连接网络进行进一步的特征融合以及分类。
实验结果表明,CDCN网络由于是重建网络,其loss非常大,采用的是ML1oss函数,本文替换掉该函数,采用平滑的MSELOSS函数, 训练的过程中,loss非常大,因此采用了较小的学习率,虽然初始loss比较大,但后续过程最终的loss 一直在收敛,虽然多次再次突然增高,又下降,总体趋近于收敛。目前还没有做任何的分析。