上海理工大学 健康科学与工程学院上海介入医疗器械工程技术研究中心 教育部医学光学工程中心, 上海 200093
利用光学相干断层技术（OCT）产生的视网膜疾病图像是分类眼科疾病的重要措施。目的是利用四种不同分类模型的迁移学习方法对糖尿病黄斑水肿、老年性黄斑变性、玻璃疣三种病变的OCT视网膜图像进行自动分类, 实现迁移学习在OCT图像分类上的应用。将VGG-16、Inception V3、MobileNet V2、ShuffleNet-V2这四种神经网络模型在大规模图像分类数据集预训练好后, 进行模型微调和训练参数更新, 进而找到实现上述三种眼科疾病自动分类的最优模型, 达到高效的OCT视网膜病变自动分类效果。实验结果表明, 四种模型中轻量型MobileNet V2经模型微调后的评价指标优于其他模型。
光学相干断层图像 深度迁移学习 视网膜图像 模型微调 optical coherence tomography image deep transfer learning retina image model fine-tuning
1 南京林业大学南方现代林业协同创新中心, 江苏 南京, 210037
2 南京林业大学林学院, 江苏 南京, 210037
3 滁州学院地理信息与旅游学院, 安徽 滁州 239000
4 安徽省地理信息智能感知与服务工程实验室, 安徽 滁州 239000
提出一种基于深度迁移学习的无人机高分影像树种分类与制图方法。利用ImageNet上训练的大型卷积神经网络提取树种影像特征,采用全局平均池化压缩树种影像特征,使用简单线性迭代聚类生成超像素,以超像素为最小分类单元,生成树种专题地图。实验结果表明,在类间差距小、类内差距大的情况下,与小型卷积神经网络相比,本文方法收敛更快,总体精度和Kappa系数分别提高了9.04%和0.1547,超像素树种制图边界更加精确。
遥感 树种分类 深度迁移学习 卷积神经网络 超像素分割 激光与光电子学进展
2019, 56(7): 072801
