Classification des lésions cutanées avec un réseau de neurones à convolution profonde

Posté Par: Windows2022tutosur: décembre 18, 2022Dans: TechPas De Commentaires

Ce projet vise à la classification des lésions cutanées à l’aide de l’apprentissage en profondeur et à la création d’une application flottante pour faciliter la même chose pour le grand public.

Base de données

Méthodologie

Analyse EDA de l’ensemble de données Pré-traitement Création d’une ligne de base et utilisation de modèles pré-entraînés Réglage fin Assemblage des 2 meilleurs modèles Test et choix du meilleur

Créer une application en flutter

Problème technique

Tous les ordinateurs portables utilisant Keras 2.2.4 et Tensorflow 1.11. La couche Batch-Norm dans cette version de Keras est implémentée de manière à ce que : pendant la formation, votre réseau utilise toujours les statistiques du mini-lot, que la couche BN soit gelée ou non ; également lors de l’inférence, vous utiliserez les statistiques précédemment apprises des couches BN gelées. Par conséquent, si vous affinez les couches supérieures, leurs poids seront ajustés à la moyenne/variance du nouvel ensemble de données. Néanmoins, lors de l’inférence, ils recevront des données qui sont mises à l’échelle différemment car la moyenne/variance de l’ensemble de données d’origine sera utilisée. Par conséquent, si vous utilisez les exemples de codes de Keras pour affiner Inception V3 ou tout réseau avec une couche de norme par lots, les résultats seront très mauvais. Veuillez vous référer au problème #9965 et #9214. Une solution temporaire est :

for layer in pre_trained_model.layers:
    if hasattr(layer, 'moving_mean') and hasattr(layer, 'moving_variance'):
        layer.trainable = True
        K.eval(K.update(layer.moving_mean, K.zeros_like(layer.moving_mean)))
        K.eval(K.update(layer.moving_variance, K.zeros_like(layer.moving_variance)))
    else:
        layer.trainable = False

Résultats

Des modèles	Validation	Test	Profondeur	# paramètres
Ligne de base	77,48%	76,54 %	11 couches	2 124 839
VGG16 affiné (du dernier bloc)	79,82 %	79,64 %	23 couches	14 980 935
Inception V3 affiné (à partir des 2 derniers blocs d’inception)	79.935%	79,94 %	315 couches	22 855 463
Inception-ResNet V2 affiné (depuis Inception-ResNet-C)	80,82 %	82,53%	784 couches	55 127 271
DenseNet 201 affiné (à partir du dernier bloc dense)	85,8 %	83,9 %	711 couches	19 309 127
Inception V3 affiné (toutes les couches)	86,92 %	86,826%	_	_
DenseNet 201 optimisé (toutes les couches)	86,696%	87,725%	_	_
Ensemble d’Inception V3 et de DenseNet 201 entièrement optimisés	88,8 %	88,52 %	_	_