《表2 不同方法对肝包虫病分型的实验结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的肝包虫病超声图像分型研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

1)√表示使用了对应的组件；2)灰底数据表示最优结果

实验在训练集上迭代100次．初始学习率设为0.003，并分别在第40次和第60次时乘以0.1作为训练的学习率下降方案．训练批大小统一设为24，4块GPU同时进行训练，每次训练耗时约2 h.GPU上每张图片的测试耗时约为10 ms．表2给出了不同方法的实验对比结果，所有的网络结构均基于VGG．其中，迁移学习表示利用ImageNet上的VGG预训练权重微调（fine-tuning）；VAM表示使用双分支结构的视觉注意力模型；Metric表示增加中心损失函数．由表2可见，相对VGG基线（baseline），采用迁移学习F1分数提高了2%，准确度提高了1.1%；采用迁移学习+VAM使F1分数提高了3%，准确度提高了2.1%；采用迁移学习+VAM+中心损失函数使F1分数提高了4%，准确度提高了3.4%；其中，F1和准确度均为按测试集样本数量加权平均后的最优结果．为了减少过拟合问题，实验中的结果均为五折交叉验证的均值．