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)魂迄，導(dǎo)致大量需要在訓(xùn)練中評(píng)估的參數(shù)要尔，包括權(quán)重、偏差等偏形。相比于簡(jiǎn)單的架構(gòu)瓮下，更大藕届、更復(fù)雜的神經(jīng)網(wǎng)絡(luò)需要更多的訓(xùn)練數(shù)據(jù)滿足適當(dāng)?shù)氖諗肯ヅ骸Ｈ欢捎糜谟?xùn)練網(wǎng)絡(luò)的數(shù)據(jù)要么有限缘眶、要么不均衡嘱根，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)充巷懈，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)練该抒。實(shí)驗(yàn)采用MNIST數(shù)據(jù)集在AlxNet和GoogLeNet進(jìn)行驗(yàn)證，結(jié)果表面顶燕，使用我們提出的方法凑保，相比較于原始圖像作為訓(xùn)練集，表現(xiàn)出了更高的分類準(zhǔn)確率涌攻。
極坐標(biāo)轉(zhuǎn)換結(jié)果：
一張大小為UV的圖像欧引，經(jīng)過變換之后變?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）恳谎。
實(shí)驗(yàn)流程：使用MNIST數(shù)據(jù)集芝此，每個(gè)類別20圖像，每張圖像經(jīng)過極坐標(biāo)變換之后生成100張圖像因痛。實(shí)驗(yàn)組共10個(gè)類別為20000張（1020100）婚苹，對(duì)照組共10個(gè)類別200圖像（10*20），分別在AlxNet和GoogLeNet驗(yàn)證不同數(shù)據(jù)集的分類準(zhǔn)確率鸵膏。醫(yī)學(xué)圖像組類似膊升。
實(shí)驗(yàn)結(jié)果分析
