《表5 不同学习策略性能比较》
从图10可以观察到,未进行迁移学习预训练的网络,即从头训练网络,有较大的Loss值震动,模型的稳定性较差,分割精度低,如图(a)所示;在进行迁移学习后,网络性能明显更稳定、更优,如图(c)所示,并且网络性能要比经典的U-Net网络(b)效果更好。虽然引入迁移学习,但是比起传统的冻结全部网络层进行微调策略,本文的方法更好地缓解了由于迁移学习的二次应用造成的特征表现能力差的问题,图(d)~(h)所示为本文提出的分块式微调策略的损失图,可以看出在冻结Block1,微调其余块时,网络性能达到最优,并且损失也到达最小,即图(g)所示,得到最有效的微调块,也有效提高了评估参数Dice的值。
图表编号 | XD00163209600 严禁用于非法目的 |
---|---|
绘制时间 | 2020.07.10 |
作者 | 马金林、魏萌、马自萍 |
绘制单位 | 北方民族大学计算机科学与工程学院、北方民族大学计算机科学与工程学院、北方民族大学计算机科学与工程学院 |
更多格式 | 高清、无水印(增值服务) |