全连接层数与类别数在视网膜图像分析中的关系
图像与视频处理
2020-04-15 v2 计算机视觉与模式识别
机器学习
摘要
本文探讨了深度卷积神经网络中全连接层的数量在眼底视网膜图像分类应用中的实验。所分析的图像对应于 ODIR 2019（北京大学眼底疾病智能识别国际竞赛）[9]，其包含各类眼疾（白内障、青光眼、近视、糖尿病视网膜病变、年龄相关性黄斑变性（AMD）、高血压）以及正常病例的图像。本工作聚焦于正常、白内障、AMD 与近视的分类。神经网络的特徵提取（卷积）部分保持不变，而特徵映射（线性）部分被改变。在这些神经网络上还探索了不同的数据集。每个数据集因所含类别数不同而相互区别。因此本文旨在找出类别数与全连接层数之间的关系。研究发现，增加神经网络全连接层数的效果取决于所使用的数据集类型。对于简单的、线性可分的数据集，增加全连接层是值得探索且可能带来更好训练精度的做法，但未发现直接关联。然而随着数据集复杂度上升（更多重叠类别），增加全连接层数会导致神经网络停止学习。数据集越复杂，该现象发生得越快。
引用
@article{arxiv.2004.03624,
title = {The relationship between Fully Connected Layers and number of classes for the analysis of retinal images},
author = {Ajna Ram and Constantino Carlos Reyes-Aldasoro},
journal= {arXiv preprint arXiv:2004.03624},
year = {2020}
}