您好、欢迎来到现金彩票网!
当前位置:刘伯温预言 > 图像变换 >

IEEE提出AI神经 :令变换实现图像增强

发布时间:2019-06-16 14:27 来源:未知 编辑:admin

  对于AI深度神经网络主要由许多节点层组成的复杂架构,结果导致大量需要在训练中评估的参数,包括权重、偏差等。相比于简单的架构,更大、更复杂的神经网络需要更多的训练数据满足适当的收敛。

  最近,在IEEE论文提出如何可以减少少量数据训练神经网络的新方法,其实,主要通过极坐标空间中的径向变换实现图像增强。虽然,并未改变数据的信息内容,而是改进了数据的多样性,并最终提升了神经网络的泛化表现。

  其实,从图中可以看到。a)使用径向变换从笛卡尔坐标系统(左)中把样本映射到极坐标系统(右)。b)极坐标系统中的径向变换。c)使用径向变换筛选256×256图像(2D平面)中的离散样本。任意选定的极点在像素(170,50)处。d)把c)中筛选的样本从极坐标系统映射到笛卡尔坐标系统。红色样本表明了样本从c)到d)的映射方向。

  然后,上图来自MNIST数据集的样本和使用极坐标系中的径向变换RT()的相应表征。还有,下图中的多模态医疗数据集的样本,以及在极坐标系统中使用径向变换的相应表征。

  使用MNIST和医疗多模态数据集中的原始和径向变换图像训练的AlexNet和GoogLeNet模型的收敛行为。术语「RT」是指径向变换图像,术语「Original」是指用很少的原始图像训练的模型。x轴表示训练迭代,左y轴表示训练时的模型损失,右y轴表示使用验证数据集训练时的模型准确度。

  通过原始和径向变换的多模态医疗图像训练的AlexNet和GoogLeNet的准确度(「Acc.」in%)和置信度(「Conf.」in%)值。「Abd」是指腹部MRI,「Std」是标准偏差。黑体部分是最佳结果。

  此外,通过原始和径向变换的MNIST图像训练的AlexNet和GoogLeNet的准确度(「Acc.」in%)和置信度(「Conf.」in%)值。「Std」是标准偏差。黑体部分是最佳结果。

  每日头条、业界资讯、热点资讯、八卦爆料,全天跟踪微博播报。各种爆料、内幕、花边、资讯一网打尽。百万互联网粉丝互动参与,TechWeb官方微博期待您的关注。

http://3dtvsource.com/tuxiangbianhuan/333.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有