基于预测对抗网络的图像二分类模型
正未标记学习仅使用无标签样本和正样本训练一个二分类器,而生成式对抗网络(generative adversarial networks,GAN)中通过对抗性训练得到一个图像生成器.为将GAN的对抗训练方法迁移到正未标记学习中以提升正未标记学习的效果,可将GAN中的生成器替换为分类器C,在无标签数据集中挑选样本以欺骗判别器D,对C与D进行迭代优化.本文提出基于以Jensen-Shannon散度(JS散度)为目标函数的JS-PAN模型.最后,结合数据分布特点及现状需求,说明了 PAN模型在医疗诊断图像二分类应用的合理性及高性能.在MNIST,CIFAR-10数据集上的实验结果显示:KL-PAN模型与同类正未标记学习模型对比有更高的精确度(ACC)及F1-score;对称化改进后,JS-PAN模型在两个指标上均有所提升,因此JS-PAN模型的提出更具有合理性.在Med-MNIST的3个子图像数据集上的实验显示:KL-PAN模型与4个benchmark有监督模型有几乎相同的ACC,JS-PAN也有更高表现.因此,综合PAN模型的出色分类效果及医疗诊断数据的分布特征,PAN作为半监督学习方法可获得更快、更好的效果,在医学图像的二分类的任务上具有更高的性能.
预测对抗网络、正未标记学习、医学图像分类、对抗性训练
32
TN912;X171.5;TP391.1
广东省基础与应用基础研究基金2021A1515220073
2023-10-25(万方平台首次上网日期,不代表论文的发表时间)
共9页
275-283