Training Neural Networks with Very Little Data-A Draft
作者：Hojjat Salehinejad
來(lái)源：Computer Vision and Pattern Recognition 2017
摘要：深度神經(jīng)網(wǎng)絡(luò)是由許多節(jié)點(diǎn)層組成的復(fù)雜架構(gòu)，導(dǎo)致大量需要在訓(xùn)練中評(píng)估的參數(shù)，包括權(quán)重、偏差等。相比于簡(jiǎn)單的架構(gòu)，更大、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)需要更多的訓(xùn)練數(shù)據(jù)滿(mǎn)足適當(dāng)?shù)氖諗?。然而，可用于?xùn)練網(wǎng)絡(luò)的數(shù)據(jù)要么有限、要么不均衡，特別是在醫(yī)學(xué)圖像處理中。本文提出使用極坐標(biāo)空間中的徑向變換（radial transform) 來(lái)對(duì)原始圖像進(jìn)行擴(kuò)充，從而在數(shù)據(jù)較少的情況下使用神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。實(shí)驗(yàn)采用MNIST數(shù)據(jù)集在AlxNet和GoogLeNet進(jìn)行驗(yàn)證，結(jié)果表面，使用我們提出的方法，相比較于原始圖像作為訓(xùn)練集，表現(xiàn)出了更高的分類(lèi)準(zhǔn)確率。
極坐標(biāo)轉(zhuǎn)換結(jié)果：
一張大小為UV的圖像，經(jīng)過(guò)變換之后變?yōu)閁V張大小為U*V的圖像。
數(shù)據(jù)集：MNIST和9張MRI醫(yī)學(xué)圖像（來(lái)自TCIA Collections）。
實(shí)驗(yàn)流程：使用MNIST數(shù)據(jù)集，每個(gè)類(lèi)別20圖像，每張圖像經(jīng)過(guò)極坐標(biāo)變換之后生成100張圖像。實(shí)驗(yàn)組共10個(gè)類(lèi)別為20000張（1020100），對(duì)照組共10個(gè)類(lèi)別200圖像（10*20），分別在AlxNet和GoogLeNet驗(yàn)證不同數(shù)據(jù)集的分類(lèi)準(zhǔn)確率。醫(yī)學(xué)圖像組類(lèi)似。
實(shí)驗(yàn)結(jié)果分析
