**任务:**图像二分类,分为NC和MCI两类
**训练集:**每类25张图片,格式为nni
**评测指标:**F1_score
当前阶段主要是跑通baseline,总共提供了三种基线模型:逻辑回归、CNN还有百度的PPHGNet_small。
一、逻辑回归
机器学习模型,核心思想是通过图片的占比、边缘、纹理等特征的统计分析找到不同类别的图像形态特征。
环境配置简单,直接用CPU跑,但是精度受限。
二、CNN
卷积神经网络,深度学习模型之一,能够挖掘图片更丰富的特征。在该代码中,使用resnet18处理图片特征,然后使用平均池化降维,使用AdamW优化器。
使用baseline跑出来的结果是0.74214,我自己将resnet18替换为resnet50,调了学习率到5e-5,然后也训了十轮,结果还是这么多,甚至训练过程中的准确率一直在0.5徘徊,看来是还没过拟合,模型没有学到东西,或者是模型太复杂了。
下一步的优化应该朝着数据特征处理这一块,找到合适的图像表征。
同时在训练过程中加入早停机制,防止可能的过拟合。
目前对cv还不熟练,但大体项目流程基本一致