用 X 光检测新冠肺炎？也许孪生网络+迁移学习是更好的选择！
Startled by the relentless spread of COVID-19, the world continues to grapple with this global health crisis. As medical technology has advanced rapidly and public interest in COVID-19 has grown, achieving efficient and cost-effective diagnostics within a short timeframe has become an urgent priority. Studies have shown that combining核酸检测 with chest X-ray imaging represents a more reliable method for disease detection.
胸部X射线成像是一种低成本的检测技术，在实际应用中发现深度学习通常需要大量高质量的数据支持。但在现有公开数据集中样本数量仍然有限。当训练数据有限时如何有效应用深度学习进行目标检测呢？迁移学习确实是一种有效的解决方案。是否还有其他更加高效的方法值得探索呢？
该研究团队在利用孪生网络解决少样本学习问题方面取得显著成果，并已在该领域开展相关研究工作。论文中描述的方法在胸片影像数据稀缺条件下展现出良好的检测效果，并且所有代码已由研究团队提供以便进一步参考与验证。
论文作者信息：
胸部X光影像示例：
在上图中 covid 样本代表新冠肺炎病例数据；其中 Viral Pneumonia 标识的是普通肺炎类别；而 Normal 则表示正常样本
作者使用的数据集来自kaggle：
包含该标记的数据集共有 N_{{COVID}}=1,200例（其中 N_{{normal}}=1,341为正常样本；及 N_{{pneumonia}}=1,345为轻型病例）。包含少量样本的数据集仅有 N_{{small}}=317幅图像（其中 N_{{normal}}=89、N_{{pneumonia}}=86及 N_{{COVID}}=57）。
普通迁移学习的示意图：
在其他相近任务的数据集中对权重进行优化调整，并完成对不同类型的肺炎的分类训练工作
孪生网络用于分类的方法示例：
同时输入两张图像样本，在经过增强数据技术处理后利用共享参数机制下的CNN网络提取特征向量，并以判断提取的特征向量是否属于同一类别作为模型的目标。
很显而易见的是，在孪生网络中既可以采用从零开始训练的方式进行优化配置；也可以选择将其中的CNN网络替换为预训练模型的权重参数；这即是孪生网络+迁移学习的核心技术框架。
作者在前述数据集中执行了相关实验，在多个关键指标上实现了最优分类效果。孪生网络结合迁移学习展示了卓越的表现。
如下图：
对比技术包括逻辑回归、5层CNN、VGG16迁移学习、从头训练的孪生网络。
通常认为，在图像分类任务中我们会首先想到基于预训练模型结合迁移学习的方法。然而，在面对数据极度匮乏的少样本学习场景时，则可以考虑采用孪生网络这一方案作为探索对象，并期待其在该场景下的应用同样取得理想效果。
论文：
https://arxiv.org/pdf/2102.06285.pdf
代码：
https://github.com/shruti-jadon/Covid-19-Detection
备注：小样本
小样本零样本域适应交流群
小样本学习、零样本学习、域适应等技术，
若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
喜欢文章就点在看哦
