FEDI：基于地球移动距离算法结合深度残差网络的少样本学习用于识别糖尿病视网膜病变
图像与视频处理
2022-03-10 v2 计算机视觉与模式识别
机器学习
摘要
糖尿病视网膜病变（DR）是糖尿病患者失明的主要原因。然而，通过眼底诊断可轻易延缓DR致盲的发生。鉴于临床实践中难以收集大量糖尿病视网膜数据这一现实，本文提出一种基于地球移动距离（Earth Mover's Distance）算法的深度残差网络少样本学习模型，以辅助诊断DR。我们基于1000个样本的39个类别构建少样本学习的训练与验证分类任务，训练深度残差网络，并获得经验最大化的预训练模型。基于预训练模型的权重，地球移动距离算法计算图像间距离，获取图像间相似度，并调整模型参数以提升训练模型的准确率。最后，构建测试集的小样本分类任务进行实验以进一步优化模型，最终在糖尿病视网膜测试集的3way10shot任务上达到93.5667%的准确率。实验代码与结果请参见：https://github.com/panliangrui/few-shot-learning-funds。
引用
@article{arxiv.2108.09711,
title = {FEDI: Few-shot learning based on Earth Mover's Distance algorithm combined with deep residual network to identify diabetic retinopathy},
author = {Liangrui Pan and Boya Ji and Peng Xi and Xiaoqi Wang and Mitchai Chongcheawchamnan and Shaoliang Peng},
journal= {arXiv preprint arXiv:2108.09711},
year = {2022}
}
备注
The article has been significantly revised