Tensorflow -基于多幅图像作为输入而不是信号的流分类

Question

我正在建造CNN，它会告诉我一个人是否有脑损伤。我计划使用tf起始v3模型和data.py脚本来构建TFRecord。

数据集由脑部扫描组成。每次扫描大约有100张图像(不同的头部姿势、角度)。在一些图像上，损害是可见的，但在一些图像上则不是。我不能将扫描中的所有图像标记为损伤正(或负)，因为其中一些会被标记为错误(如果扫描在损坏时是阳性的，但在特定图像上是不可见的)。

有没有办法将整个扫描标记为正/负，从而训练网络？训练完成后，通过扫描作为输入(不是单个图像)并对其进行分类。

Answer 1

看起来，多实例学习可能是您的方法。看看这两份文件：

用于目标识别的多实例学习卷积神经网络

基于深度多实例学习的显微图像分类与分割

最后一个是由@dancsalo (不确定他是否有堆栈溢出帐户) 这里实现的。

我看起来像第二篇论文处理非常大的图像，并将它们分解成子图像，但是标记整个图像。所以，这就像用标签给一袋图像贴上标签，而不是为每个子图像做一个标签。在您的例子中，您可能能够构造一个图像矩阵，即每个扫描的10幅图像x 10幅图像主图像.

让我们知道，如果您这样做，如果它在您的数据集工作良好！