CN112766379B - 一种基于深度学习多权重损失函数的数据均衡方法 - Google Patents

一种基于深度学习多权重损失函数的数据均衡方法 Download PDF

Info

Publication number
CN112766379B
CN112766379B CN202110078808.1A CN202110078808A CN112766379B CN 112766379 B CN112766379 B CN 112766379B CN 202110078808 A CN202110078808 A CN 202110078808A CN 112766379 B CN112766379 B CN 112766379B
Authority
CN
China
Prior art keywords
image data
sample
training
class
samples
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110078808.1A
Other languages
English (en)
Other versions
CN112766379A (zh
Inventor
徐梦娟
姚鹏
申书伟
邵鹏飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Science and Technology of China USTC
Original Assignee
University of Science and Technology of China USTC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Science and Technology of China USTC filed Critical University of Science and Technology of China USTC
Priority to CN202110078808.1A priority Critical patent/CN112766379B/zh
Publication of CN112766379A publication Critical patent/CN112766379A/zh
Application granted granted Critical
Publication of CN112766379B publication Critical patent/CN112766379B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/03—Recognition of patterns in medical or anatomical images
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种基于深度学习多权重损失函数的数据均衡方法，应用深度学习模型的训练过程中，首先获取目标图像数据集，根据目标数据集确定数据样本的类别数目C和每类样本量Ni，确定超参数α、γ和每一类别样本重要性的加权系数Ci，确定多权重损失函数MWLfocal(z,y)，并利用神经网络模型不断迭代训练，同时在训练过程中使用多权重损失函数进行误差计算，并使用反向传播算法，不断更新模型的权重参数，直至网络收敛达到预期目标，最终完成训练。利用此损失函数不仅可以同时处理不同数据类别的样本数量不均衡问题和分类难度不均衡问题，还可以进一步提高关键类的检测准确率，可以应用于存在数据不均衡问题的数据集，从而有效缓解类不均衡问题的影响。

Description

一种基于深度学习多权重损失函数的数据均衡方法
技术领域
本发明涉及人工智能、深度学习领域，具体涉及一种基于深度学习多权重损失函数的数据均衡方法。
背景技术
随着人工智能的快速发展，深度学习在许多方面都取得了非常显著的效果，如数据挖掘、自然语言处理、多媒体学习、推荐和个性化技术、医学图像处理领域等。深度学习通过大量的数据使机器模仿视听和思考等人类的活动，挖掘数据的特征，解决了很多复杂的难题。
获取大量的数据是一份非常耗时耗力的工作，且实际环境中的数据往往分布不均衡，从样本数量上来说，不同类别数据样本可能相差过大，例如在医学影像中，越是严重的疾病在同类相关疾病中占比越小，所采集的样本中也相对数量越少，但其误诊或漏诊所带来的代价却非常大。另一方面，从数据样本的区分难易程度上，不同类别数据的学习难度往往也不同，一些类别的特征相对简单固定，较容易训练，而一些类别样本的模式复杂多变，模型学习难度大。数据不均衡会影响神经网络的准确性，导致训练的神经网络模型更侧重于样本数目较多的、易于区分的样本类别，从而使数目较少、学习更为困难的样本类别识别准确率较低。
目前解决数据不均衡的问题可从数据层面和算法层面来入手。在数据层面，常借助数据重采样，即对数量较少的类别进行上采样，对数量较多的类别进行下采样；在算法层面上，常利用不同的损失函数来达成不同的训练目的，传统的模型训练时，常使用简单的交叉熵损失函数进行模型与实际数据之间的误差计算，针对数据不均衡问题，目前有如Focalloss损失函数、Class-Balanced Focal Loss损失函数等，即利用不同的权重来对应不同样本空间，从而在参数和误差更新时更有针对性的对训练起到关键性作用，达到缓解数据不均衡的目的。而重采样策略目前仍有很大的不足，其可能会产生大量的噪声、损失有价值的训练样本，同时当数据集数据不均衡现象严重时，仅靠重采样可能会导致模型过拟合现象的发生，且目前同时关注训练样本数量不均衡问题和样本学习难度不均衡问题的工作较少，仍然有待进一步挖掘。
发明内容
为了克服现有技术的不足，本发明提出一种基于深度学习多权重损失函数的数据均衡方法，利用此损失函数不仅可以同时处理不同数据类别的样本数量不均衡问题和分类难度不均衡问题，还可以进一步提高关键类的检测准确率，将其应用于存在数据不均衡问题的数据集，从而有效缓解类不均衡问题的影响。
本发明解决上述技术问题采用的技术方案是：
一种基于深度学习多权重损失函数的数据均衡方法，应用深度学习模型的训练过程中，包括以下内容：
步骤1：获取目标图像数据集，根据目标图像数据集确定样本的类别数目C和每类样本数量Ni，Ni为第i类别的样本数量；
步骤2：确定超参数α、γ和每类样本类别的加权系数Ci，分别用来调节不同权重的作用范围；
步骤3：确定多权重损失函数，此多权重损失函数用以下公式表示：
Figure BDA0002908417970000021
式中，z表示样本的预测值，y表示样本的真实值；在等式右边中，C表示数据样本的类别数目，Ci表示每一类别样本重要性的加权系数；
Figure BDA0002908417970000022
表示输出预测正确的概率，其定义为：
Figure BDA0002908417970000023
其中/>
Figure BDA0002908417970000024
zi表示样本在第i类上的预测值，y为样本的标签真值；α、γ为常数，分别用来调节数量较多的样本类别和简单样本权重降低的速率；
步骤4，将多权重损失函数用于神经网络模型训练的反向传播过程中，并利用不同的权重来对应不同数据样本进行损失计算，从而缓解不同类别数量不均衡和分类难度不均衡的问题的影响，直至网络收敛，最终达到网络训练的目的。
所述步骤1中所述样本的类别包括关键类别样本和普通类别样本，所述关键类别是指在训练时需要重点关注的样本类别；此外，同一类中的样本也分为困难样本和简单样本，所述困难样本是指在训练时难以分类的样本。
步骤2中所述数据样本的类别数目中的样本类为关键类时，Ci取大于1的数值，提高关键类样本的权重，超参数α、γ取值越大，数量较多的样本类别和类内的简单样本权重降低速率越快。
所述步骤2中，Ci，α、γ的取值均大于0，根据已有目标图像数据集设定初始值，选定初始值后，在训练神经网络模型时进一步搜索寻优，确定具体值。
所述步骤3中令
Figure BDA0002908417970000031
权重wi用来处理不同类别样本数量不均衡问题的影响，当某一类别样本数量较少时，对应权重wi会相应较大，通过上述损失函数计算得到的损失也会增大，使得神经网络训练时更加关注这一数量较少的类别，从而缓解不同类别数量不均衡问题的影响。
所述步骤3中
Figure BDA0002908417970000032
越大表明输出预测越接近样本真实标签，当样本为简单样本时，/>
Figure BDA0002908417970000033
相应较大，此时/>
Figure BDA0002908417970000034
就会越小，通过上述损失函数计算得到的损失相应较小，使得神经网络训练时对简单样本关注较少，更加关注困难样本，从而缓解类内简单样本与困难样本不均衡的影响。
本发明与现有技术相比的优点在于：
(1)该方法可以有效缓解数据集中存在的类样本数量不均衡和分类难度不均衡问题的影响。
(2)利用此损失函数可以进一步提高关键类的检测准确率，从而进一步提升实际的应用价值。
(3)相较其他损失函数，本发明设计的带有多维权重的损失函数使训练的神经网络模型准确率得到提升，训练效果更好。
(4)该损失函数可进一步推广至其他存在数据不均衡的数据集中，使深度学习模型的训练效果提升。
附图说明
图1为本发明实现流程图；
图2为本发明的具体应用流程图。
具体实施方式
下面将结合本发明实施例的附图，对本发明中的技术方案进行进一步的描述。当然，所描述的实施例仅仅是本发明一部分，本发明的范围包括但不限于下述实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提出一种基于深度学习的多维权重损失函数，可以有效缓解数据集中存在的不同类别样本数量不均衡问题和分类难度不均衡问题的影响，同时利用此损失函数还可以进一步提高关键类的检测准确率，从而进一步提升训练结果的实际应用效果。
本发明提供一种应用于深度学习模型训练的多权重损失函数，通过利用不同维度的参数值，调节不同类别样本的权重，从而尽可能的减少类间样本不均衡问题和样本分类难易程度不均衡问题的影响。
本发明的多权重损失函数公式如下所示：
Figure BDA0002908417970000041
其中，FL(z,y)为Focal Loss损失函数，本发明在其基础上进行了一定改进，FocalLoss损失函数主要作用是将注意力聚焦在样本分类难易不均衡问题上，表达式如下所示：
Figure BDA0002908417970000042
式中的
Figure BDA0002908417970000043
其中/>
Figure BDA0002908417970000044
zi表示第i类样本上的预测值，y表示样本的真实值，当i＝y时表明分类预测正确，其他表明分为了其他情形。
Figure BDA0002908417970000045
表示输出预测正确的概率，γ为常数，用来调节易分类样本权重降低的速率，当γ＝0时，FL即为普通的交叉熵损失函数，当γ增加时，其调整因子的影响也随之增加；
综上所述，本发明的多权重损失函数具体表示如下：
Figure BDA0002908417970000046
式中，z表示样本的预测值，y表示样本的真实值，当两者相差越小时说明训练效果越好，此时Loss越接近于0；
在等式右边中，C表示数据样本的类别数目，Ci表示每一类别样本重要性的加权系数，当样本类为关键类时，Ci可取大于1的数值，从而提高关键类别的权重；
Ni表示第i类的样本数量，令
Figure BDA0002908417970000047
其中α为超参数，可利用不同的取值来调节wi的作用范围，权重wi用来处理不同类别样本数量不均衡问题的影响，当某一类别样本数量较少时，对应的权重wi会相应较大，通过上述损失函数计算得到的损失也会增大，使得神经网络训练时更加关注这一数量较少的类别，从而缓解不同类别数量不均衡问题的影响。
Figure BDA0002908417970000048
越大表明输出预测越接近样本真实标签，当样本为较容易分类的简单样本时，
Figure BDA0002908417970000049
相应较大，此时/>
Figure BDA00029084179700000410
就会越小，通过上述损失函数计算得到的损失相应较小，使得神经网络训练时对简单样本关注较少，更加关注困难样本，从而缓解类内简单样本与困难样本不均衡的影响。
该多维权重损失函数的相关参数确立方法如图1所示：
根据已有数据集，确定不同数据样本的类别个数C，计算每类样本的数量，即确定第i类的样本数Ni；超参数α、γ的取值均大于0，根据已有目标图像数据集特征设定初始值。
根据数据集的不同，确定相应的关键类，对不同数据类别分别设置每一类重要性的加权系数Ci，其中，Ci大于0，且数值越大，表示该类的训练结果越重要；
更进一步地，将训练样本数据送入神经网络模型，并利用本发明所提出的多维权重损失函数进行网络模型的训练，同时在神经网络模型训练过程中对超参数α、γ，加权系数Ci进行进一步的搜索寻优，确定具体值。
如图2所示，确定好的损失函数具体应用方式如下，在根据目标数据集确定好相关损失函数后，构建神经网络模型架构，并将数据集进行划分，对训练样本数据进行预处理，如进行数据增强、数据重采样等，并将处理后的训练样本输入到模型中进行训练；
在训练过程中，利用多维权重损失函数进行误差计算，获得预测与真实标签的误差损失，并通过神经网络模型中的反向传播机制进行参数更新，直至网络模型收敛，最终达到网络训练的目的。
由于在神经网络模型训练的过程中，主要根据损失误差和参数更新决定网络训练收敛的方向，而在利用不同的权重时网络的损失计算也不相同，故可以利用多权重损失函数不同的权重来对应的不同数据样本空间，从而缓解各类别数量不均衡和类内分类难度不均衡的影响。
以皮肤疾病自动检测分类为例，具体的实施方式如下：
为了验证此多权重损失函数的实际效果，以皮肤疾病自动检测分类为例，选取公开的HAM10000数据集作为目标数据集，该数据集共10015幅图像，包含7种类别；
其中包括6705幅黑色素痣(NV)、1113幅黑色素瘤(MEL)、1099幅良性角化病变(BKL)、514幅基底细胞癌(BCC)、327幅光化性角化病(AKIEC)、142幅血管病变(VASC)和115幅皮肤纤维瘤(DF)的图像；
更进一步地，将训练样本数据进行数据增强等预处理工作，为了对比不同损失函数的实际效果，本发明采取RegnetY-3.2GF神经网络模型，并设立超参数初始值α＝1.1、γ＝2，在此基础上进行了一系列实验对比，具体结果如表1所示：
表1
Figure BDA0002908417970000061
可以看到，当CMEL为1时，即不考虑关键类检测，只针对数据不均衡的情况下，此多权重损失函数相对于常规交叉熵损失函数、Class-Balanced Focal Loss损失函数平均识别准确率更高，可以达到0.864；
除此之外，由于黑色素瘤是最致命的皮肤疾病种类之一，因此对黑色素瘤的正确检测非常重要，在本数据集中，选取黑色素瘤为关键检测类，为了验证此损失函数对关键类的检测准确率，本发明选取了不同CMEL权重进行了对比，其他类别的权重设置为1，可以看到，随着黑色素瘤权重的增加，整体准确率虽然略有下降，但黑色素瘤的灵敏度有了显著的提高，在应用中更具有实际意义。

Claims (1)

1.一种用于皮肤图像分类的深度学习模型训练方法，其特征在于：包括以下内容：
步骤1：获取目标图像数据集，根据目标图像数据集确定图像数据样本的类别数目I和每类图像数据样本数量Ni，Ni为第i类别的图像数据样本数量；所述目标图像数据集为用于医学影像的皮肤图像HAM10000数据集；该数据集包含7种类别；
其中包括黑色素痣、黑色素瘤、良性角化病变、基底细胞癌、光化性角化病、血管病变和皮肤纤维瘤的图像；
步骤2：构建神经网络模型架构，对训练样本数据进行预处理，并将处理后的训练样本输入到模型中进行训练；确定超参数α、γ和每类图像数据样本类别的加权系数Ci，分别用来调节不同权重的作用范围；Ci，α、γ的取值均大于0，根据所述目标图像数据集设定初始值，选定初始值后，在训练神经网络模型时进一步搜索寻优，确定具体值；
步骤3：确定多权重损失函数，此多权重损失函数用以下公式表示：
Figure FDA0004172543150000011
式中，z表示图像样本的预测值，y表示图像样本的真实值；在等式右边中，I表示图像数据样本的类别数目，Ci表示每一类别图像数据样本重要性的加权系数；
Figure FDA0004172543150000012
表示输出预测正确的概率，其定义为：
Figure FDA0004172543150000013
其中/>
Figure FDA0004172543150000014
zi表示图像样本在第i类上的预测值，y为图像样本的标签真值；
步骤4：开始深度学习模型的迭代训练，在每一次迭代训练过程中使用多权重损失函数进行误差计算，并使用反向传播算法，更新模型参数的值，将多权重损失函数用于神经网络模型训练的反向传播过程中，并利用不同的权重来对应不同图像数据样本进行损失计算，从而缓解不同类别图像数量不均衡和图像分类难度不均衡的问题的影响；
步骤5，重复上述步骤4，不断迭代直至深度学习模型训练收敛，最终得到一个所有参数值确定的深度学习模型，将深度学习模型用于对所述目标图像数据集进行皮肤图像检测和分类，得到更好的分类准确率；
所述步骤1中所述图像数据样本的类别包括关键类别图像数据样本和普通类别图像数据样本，所述关键类别是指在训练时需要重点关注的图像数据样本类别；此外，同一类中的图像数据样本也分为困难图像数据样本和简单图像数据样本，所述困难图像数据样本是指在训练时难以分类的图像数据样本；
步骤2中所述图像数据样本的类别数目中的图像数据样本类为关键类时，Ci取大于1的数值，选取黑色素瘤为关键类，超参数α、γ取值越大，多数量图像数据样本类别和类内简单图像数据样本的权重降低速率越快；
所述步骤3中令
Figure FDA0004172543150000021
权重wi用来处理不同类别图像样本数量不均衡问题的影响。
CN202110078808.1A 2021-01-21 2021-01-21 一种基于深度学习多权重损失函数的数据均衡方法 Active CN112766379B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110078808.1A CN112766379B (zh) 2021-01-21 2021-01-21 一种基于深度学习多权重损失函数的数据均衡方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110078808.1A CN112766379B (zh) 2021-01-21 2021-01-21 一种基于深度学习多权重损失函数的数据均衡方法

Publications (2)

Publication Number Publication Date
CN112766379A CN112766379A (zh) 2021-05-07
CN112766379B true CN112766379B (zh) 2023-06-20

Family

ID=75702104

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110078808.1A Active CN112766379B (zh) 2021-01-21 2021-01-21 一种基于深度学习多权重损失函数的数据均衡方法

Country Status (1)

Country Link
CN (1) CN112766379B (zh)

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113255670A (zh) * 2021-06-28 2021-08-13 湖南星汉数智科技有限公司 非均衡小样本目标检测方法、装置和计算机设备
CN113537317B (zh) * 2021-06-30 2023-12-22 中国海洋大学 基于可解释深度学习的遥感图像跨域分类方法
CN113553580A (zh) * 2021-07-12 2021-10-26 华东师范大学 针对非平衡数据的入侵检测方法
CN113553581A (zh) * 2021-07-12 2021-10-26 华东师范大学 针对非平衡数据的入侵检测系统
CN113256636B (zh) * 2021-07-15 2021-11-05 北京小蝇科技有限责任公司 一种自底向上的寄生虫虫种发育阶段及图像像素分类方法
CN113456031A (zh) * 2021-08-09 2021-10-01 首都医科大学附属北京天坛医院 一种脑状态预测模型的训练装置、预测装置及电子设备
CN113688915B (zh) * 2021-08-24 2023-07-25 北京玖安天下科技有限公司 一种面向内容安全的困难样本挖掘方法及装置
CN113610191B (zh) * 2021-09-07 2023-08-29 中原动力智能机器人有限公司 垃圾分类模型建模方法、垃圾分类方法
CN113763501B (zh) * 2021-09-08 2024-02-27 上海壁仞智能科技有限公司 图像重建模型的迭代方法和图像重建方法
CN113917938B (zh) * 2021-10-08 2024-04-19 北京京航计算通讯研究所 小样本条件下的飞行器姿态控制数据增强和模型训练方法
CN114283307B (zh) * 2021-12-24 2023-10-27 中国科学技术大学 一种基于重采样策略的网络训练方法
CN114463576B (zh) * 2021-12-24 2024-04-09 中国科学技术大学 一种基于重加权策略的网络训练方法
CN114330573A (zh) * 2021-12-30 2022-04-12 济南博观智能科技有限公司 一种目标检测方法、装置、电子设备及存储介质
CN114937288B (zh) * 2022-06-21 2023-05-26 四川大学 一种非典型类数据集平衡方法、装置、介质
CN116894884B (zh) * 2023-09-06 2023-12-05 山东科技大学 基于加权损失函数彩色图像处理方法、系统、设备及介质
CN117197781B (zh) * 2023-11-03 2024-04-05 之江实验室 一种交通标志识别的方法、装置、存储介质及电子设备
CN117556147B (zh) * 2024-01-11 2024-04-12 中国传媒大学 电商数据分类推荐系统、方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427963A (zh) * 2018-03-02 2018-08-21 浙江工业大学 一种基于深度学习的黑色素瘤皮肤病的分类识别方法
WO2019033636A1 (zh) * 2017-08-16 2019-02-21 哈尔滨工业大学深圳研究生院 基于最小化损失学习的不平衡样本分类方法
CN110633758A (zh) * 2019-09-20 2019-12-31 四川长虹电器股份有限公司 针对小样本或样本不平衡的癌症区域检测定位的方法
CN110650153A (zh) * 2019-10-14 2020-01-03 北京理工大学 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN111461002A (zh) * 2020-03-31 2020-07-28 华南理工大学 一种面向热成像行人检测的样本处理方法
CN111553399A (zh) * 2020-04-21 2020-08-18 佳都新太科技股份有限公司 特征模型训练方法、装置、设备及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019033636A1 (zh) * 2017-08-16 2019-02-21 哈尔滨工业大学深圳研究生院 基于最小化损失学习的不平衡样本分类方法
CN108427963A (zh) * 2018-03-02 2018-08-21 浙江工业大学 一种基于深度学习的黑色素瘤皮肤病的分类识别方法
CN110633758A (zh) * 2019-09-20 2019-12-31 四川长虹电器股份有限公司 针对小样本或样本不平衡的癌症区域检测定位的方法
CN110650153A (zh) * 2019-10-14 2020-01-03 北京理工大学 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN111461002A (zh) * 2020-03-31 2020-07-28 华南理工大学 一种面向热成像行人检测的样本处理方法
CN111553399A (zh) * 2020-04-21 2020-08-18 佳都新太科技股份有限公司 特征模型训练方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
class-balanced loss based on effective number of samples;yin cui et al.;《arxiv》;第1-11页 *
Effectiveness of focal loss for minority classification in network intrusion detection systems;mulyanto mulyanto et al.;《MDPI》;第1-16页 *
基于深度卷积神经网络的色素性皮肤病识别分类;何雪英;韩忠义;魏本征;;计算机应用(第11期);第190-194页 *

Also Published As

Publication number Publication date
CN112766379A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
CN112766379B (zh) 一种基于深度学习多权重损失函数的数据均衡方法
CN111127447B (zh) 基于生成式对抗网络的血管分割网络及方法
CN110276745B (zh) 一种基于生成对抗网络的病理图像检测算法
CN112150476A (zh) 基于时空判别性特征学习的冠状动脉序列血管分割方法
Banerjee et al. Brain tumor detection and classification from multi-sequence MRI: Study using ConvNets
Jin et al. Construction of retinal vessel segmentation models based on convolutional neural network
CN114469120B (zh) 一种基于相似度阈值迁移的多尺度Dtw-BiLstm-Gan心电信号生成方法
CN113610118B (zh) 一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法
Venmathi et al. An automatic brain tumors detection and classification using deep convolutional neural network with VGG-19
Chudzik et al. DISCERN: Generative framework for vessel segmentation using convolutional neural network and visual codebook
Sorić et al. Using convolutional neural network for chest X-ray image classification
CN110797084A (zh) 基于深层神经网络的脑脊液蛋白质的预测方法
CN115880523A (zh) 一种图像分类模型、模型训练方法及其应用
Manikandan et al. Cataract Fundus Image Detection Using Hybrid Deep Learning Model
Sarkar et al. Computational Intelligence Approach to improve the Classification Accuracy of Brain Tumour Detection
Smaida et al. DCGAN for Enhancing Eye Diseases Classification.
CN117390371A (zh) 基于卷积神经网络的轴承故障诊断方法、装置及设备
CN116128854B (zh) 一种基于卷积神经网络的髋关节超声图像质量评估方法
CN112233742A (zh) 一种基于聚类的病历文档分类系统、设备、存储介质
CN114998300A (zh) 一种基于多尺度信息融合网络的角膜溃疡分类方法
Jadah et al. Breast Cancer Image Classification Using Deep Convolutional Neural Networks
Deng et al. A Self-improving Skin Lesions Diagnosis Framework Via Pseudo-labeling and Self-distillation
Vishal et al. A Novel Survey on Copious Machine Learning Algorithms for Brain Tumor Detection
CN113030902B (zh) 一种基于孪生复网络的少样本雷达车辆目标识别方法
Princy Magdaline et al. Detection of lung cancer using novel attention gate residual U-Net model and KNN classifier from computer tomography images

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant