0

我正在使用眼底图像数据进行糖尿病视网膜病变的图像分类任务。有5个班。数据分布为 1805 张图像（第 1 类）、370 张图像（第 2 类）、999 张图像（第 3 类）、193 张图像（第 4 类）、295 张图像（第 5 类）。以下是我尝试运行的步骤：

  1. 预处理（调整大小 224 * 224）
  2. 训练数据和测试数据的比例为 85% : 15%
x_train, xtest, y_train, ytest = train_test_split(
    x_train, y_train, 
    test_size = 0.15, 
    random_state=SEED,
    stratify = y_train
)
  1. 数据分析
ImageDataGenerator(
        zoom_range=0.15,
        fill_mode='constant',
        cval=0.,
        horizontal_flip=True,
        vertical_flip=True,
    )
  1. 使用 ResNet-50 模型和交叉验证进行训练
def getResNet():
    modelres = ResNet50(weights=None, include_top=False, input_shape= (IMAGE_HEIGHT,IMAGE_HEIGHT, 3))
    x = modelres.output
    x = GlobalAveragePooling2D()(x)
    x = Dense(5, activation= 'softmax')(x)
    model = Model(inputs = modelres.input, outputs = x)
    return model

num_folds = 5
skf = StratifiedKFold(n_splits = 5, shuffle=True, random_state=2021) 
cvscores = []
fold = 1
for train, val in skf.split(x_train, y_train.argmax(1)):
    print('Fold: ', fold)
    Xtrain = x_train[train]
    Xval = x_train[val]
    Ytrain = y_train[train]
    Yval = y_train[val]
    data_generator = create_datagen().flow(Xtrain, Ytrain, batch_size=32, seed=2021)

    model = getResNet()
    model.compile(loss='categorical_crossentropy', 
                   optimizer=Adam(lr=0.0001), 
                   metrics=['accuracy'])
    with tf.compat.v1.device('/device:GPU:0'):       
          model_train = model.fit(data_generator,
                                   validation_data=(Xval, Yval),
                                   epochs=30, batch_size = 32, verbose=1)
    model_name = 'cnn_keras_aug_Fold_'+str(fold)+'.h5'
    model.save(model_name)
    scores = model.evaluate(xtest, ytest, verbose=0)
    print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))
    cvscores.append(scores[1] * 100)
    fold = fold +1

我从这种方法中得到的最大结果是训练准确率为 81.2%，验证准确率为 72.2%，测试准确率为 70.73%。谁能给我一个改进模型的想法，以便我可以将测试准确率提高到 90% 以上？稍后，我将使用这个模型作为预训练模型来训练糖尿病视网膜病变数据，但来自其他来源。

顺便说一句，我尝试用这种方法替换我的预处理：

def preprocessing(path):
    image = cv2.imread(path)
    image = crop_image_from_gray(image)
    green = image[:,:,1]
    clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
    cl = clahe.apply(green)
    image[:,:,0] = image[:,:,0]
    image[:,:,2] = image[:,:,2]
    image[:,:,1] = cl
    image = cv2.resize(image, (224,224))
    return image

我还尝试用 VGG16 EfficientNetB0 替换我的模型。然而，这些都对我的结果没有太大影响。我仍然坚持大约 70% 的准确率。请帮助我想出一些想法来改善我的建模结果。我希望。

4

1 回答 1

0

你的训练准确率为 81.2%。通常不可能有比训练准确度更高的测试准确度，即使用当前设置你不会达到 90%。

但是，您的验证（以及测试）准确度约为 70-72%。我可以建议在您的小型数据集上，您的模型过度拟合。因此，如果您添加模型正则化（例如 dropout），您的训练和验证（和测试）之间的差距可能会缩小。这样你就可以提高你的验证分数。

为了进一步提高分数，您需要手动检查数据并尝试了解哪些类对错误的贡献最大，并弄清楚如何减少这些错误（例如更新您的预处理管道）。

于 2021-03-15T14:08:43.797 回答