Symmetry-based regularization in deep breast cancer screening
因为我做的是弱标签的图像分类,所以我只关心全图的信息,Results等只是全图的信息。
Results
model | input size | ACC | 模型集成 | 输入类型 | 日期 |
---|---|---|---|---|---|
Densenet169 | 800×800 | 86.3% | stocking | whole image | 2023.1 |
Dataset
这篇论文中使用的数据集有三种,CBIS、INbreast、CMMD这三种。
这三种数据库都是具有强标签的,及不仅对整张图片标注了良恶性,同时还对图片中的肿块等区域进行了标注。
Experiment
这篇文章中的实验采取了先分割后实验的方法,即对数据集的原图片分割成224×224的小块,分成了良性、恶性、背景三种区域。
作者文中的数据增强显示rotation, flips, scale and elastic这四种对所有指标的提升最大,最终比起none增加了4.5%,作者在文中也列出了数据增强的一些操作。
同时,进行的正则化也对结果有一定的增强
Method
本文中主要提出的方法就是利用对称正则化对乳腺X光影像分类准确率的提升。
We focus on three main approaches: (i) data augmentation, (ii) invariance regularization loss and (iii) equivariant architectures
作者在原文中主要用了三种方法:
- 数据增强:输入数据进行变换来增加数据集的大小,从而提高模型的泛化能力。
- 不变性正则化损失:通过在损失函数中添加正则化项来鼓励模型对输入数据的变换具有不变性
- 等变体系结构:使用等变层来鼓励模型对输入数据的变换具有等变性。
主要目的都是为了提高模型的性能和泛化能力。
数据增强
这一块作者不同于传统的Rotation,Reflection:,Translation,
还增加了其他三个:Contrast and brightness,Scale,Elastic。
即对比度和亮度,尺度信息,弹性转换
这些里面弹性转换和尺度信息的改变对结果有着增强
所以来谈谈弹性转换
:
作者的方法是:
1从每个点采样
2使用标准差𝜎的高斯滤波器进行平滑,从而获取𝛥𝜇(𝑢)
由于作者没有公布代码,具体的细节不得而知,等到以后看看能不能复现吧。
不变性正则化损失
等变体系结构
等变体系结构是指在输入数据的变换下,模型的输出也会发生相应的变换。这种模型可以更好地处理具有对称性的数据,例如图像和分子。这种模型可以通过在模型中使用等变层来实现,这些层可以在输入数据的变换下保持输出不变。这种模型可以应用于任何深度学习模型。
我觉得这个有点类似全链接层和卷积的区别,我是这样理解的。