首页
网站首页
公司简介
资讯中心
推荐内容
返回顶部
用CNN识别CT图像检测肺癌,基于Pytorch的CapsNet源码详解
发布时间:2020-01-24 19:33
浏览次数:

本文首发于微信公众号——世界上有意思的事,搬运转载请注明出处,否则将追究版权责任。微信号:a1018998632,交流qq群:859640274

原文:2nd place solution for the 2017 national datascience bowl

深度学习的爆炸式发展得益于海量数据+强大计算力+算法三个部分的巨大进展,我们通常需要大量的数据去驱动模型的训练,使其获得很好的效果。但是在很多领域我们是没有很多数据的,比如在医学影像中很难拿到大量病人的图像数据,难道在这些情况下深度学习就废了吗?

本文由部分公式,因简书不支持公式渲染,公式完整版请移步个人博客

  • 1.前置环境:
    • 1.mac
    • 2.pycharm
    • 3.python3
    • 4.Anaconda
  • 2.环境搭建:
    • 1.官网下载并安装Anaconda
    • 2.官网下载并安装pycharm
    • 3.在pycharm中使用Anaconda
      • 1.preference-->project-->project interpreter
      • 2.将Anaconda的解释器当做一个project interpreter添加
    • 4.下载assignment1作业项目并导入pycharm中,作业下载 。
    • 5.下载数据集并解压到assignment1作业项目的 assignment1/cs231n/datasets/中。数据集下载
    • 6.执行数据集中的.sh文件使得数据集可用
  • 3.前置知识:numpy、python、SciPy基础学习,教程

翻译参考:知乎用户王小新 Kaggle百万美元大赛优胜者:用CNN识别CT图像检测肺癌

我们先思考一下人是怎么学习的,当一个小孩看过一眼课本中的斑马后,他再次看到斑马就能够识别出来;当你看过一个人一次之后,通常情况下,你还是能够轻松的认出对方,人可以轻松的做到小样本学习,这就启发了人们去研究它,近年来,小样本学习或者零样本学习是深度学习中非常重要的一个研究方向。

参考CapsNet的论文,提出的基本结构如下所示:

1.两张图片的图片距离

对于两张图片来说我们如何量化这两张图片的相似度呢?计算机科学家给出了两个简单的方法:曼哈顿距离和欧氏距离

  • 1.L1距离:给定两张 32*32 像素的图片i1和i2,那么可以将其看做两个 32*32 的矩阵。公式:图片 1曼哈顿距离公式

    解释:两个矩阵相减之后,再对该矩阵的所有值取绝对值,最后将该矩阵所有值相加。最后得出的值就是两张图片的距离。

  • 2.L2距离:还是给定两张 32*32 像素的图片i1和i2,将这两张图片一维化,即拉伸成一个1024*1的矩阵。公式:图片 2欧式距离公式解释:在一个二维的坐标系中A,B这两点的距离公式是:图片 3二维欧氏公式,那么这两个矩阵的距离就可以推广为在一个1024维的坐标系上两点的距离

用CNN识别CT图像检测肺癌,基于Pytorch的CapsNet源码详解。本文为2017年由Kaggle举办的数据科学竞赛的第二名获奖者Julian de Wit的部分解决方案。Julian de Wit和Daniel Hammack通过构建3D卷积神经网络创建肺结节探测器,预测患者患癌的可能性。Wit的开发环境为Windows版的Tensorflow和Keras库。

摘要:在这篇文章中,作者给出了一个概念上简单、灵活和通用的小样本学习框架,其分类器必须能够识别新的类别,这些类别每一类都只会给出少量的样本。该方法称之为关系网络(Relation Network ,它能够学会比较,从而实现小样本学习(Few-Shot Learning),并且稍加改进,就能够实现从少样本学习到零样本学习。该方法在五个基本测试集中都取得了很好的效果。

图片 4capsnet_mnist.jpg

友情链接: 网站地图
Copyright © 2015-2019 http://www.nflfreepicks.net. 新葡萄京娱乐场网址有限公司 版权所有