使用在不同数据集上训练的cnn模型

Question

我有三个不同的数据集，其中三个都是用同样的化学物质染色的血涂片图像。血涂片图像是捕捉你的血液的图像，包括红血球，白血球。

第一个数据集包含2个类别:正常与血癌，第二个数据集包含2个类别:正常与血液感染，第三个数据集包含2个类别:正常与镰状细胞疾病

所以，我想做的是:当我输入一张血涂片图像时，AI系统会告诉我它是正常的，还是血癌、血液感染或镰状细胞病(4类分类任务)。

我该怎么办？

我是否应该混合这3个数据集，并仅训练1个模型来检测4个类？

或者我应该训练3个不同的模型，然后将它们组合在一起？如果是，我应该使用什么方法组合？

更新:我搜索了一段时间。这项任务可以被称为“学习而不遗忘吗？”

Answer 1

我认为这取决于数据。

您可以使用三个不同的模型，并对每个图像进行三个二进制预测。所以你得到了每个x对正常的投票(概率)。如果二进制分类是准确的，这应该会提供良好的结果。但在这种情况下，你会得到一个累积的错误分类或错误。

如果你负担得起，你可以训练一个四类模型，并将测试误差与一系列二进制分类进行比较。我知道你们已经有三个型号了。因此，培训另一个人可能不会太贵。

如果只有一个类可以出现，那么四个类模型可能是可行的。如果实际上两个(或更多)类可以同时出现，那么一系列的二进制分类将是有意义的。

Answer 2

正如@Peter所说，它完全依赖于数据。如果4个类别的图像，即正常，血癌，血液感染，镰状细胞疾病，很容易用肉眼区分，并且所有类别之间没有混淆的范围，那么你应该简单地选择1个模型，它给出了所有4个类别的概率(如@maxi marufo所提到的)。如果类之间有混淆，图像不能用肉眼区分，或者类之间有很多混淆的范围，那么你应该使用3个不同的模型，但然后你将需要。假设p1(正常)和p1(c1)，p2(正常)和p2(c2)，p3(正常)和p3(c3)，您只需从所有3个模型获得预测概率。现在您可以平均(p1(正常)，p2(正常)，p3(正常))，并使用p(正常)，p1(c1)，p2(c2)，p3(c3)的softmax。在您可以尝试的多种方法中，上述方法可能是其中之一。

Answer 3

这是一个多类分类问题。你可以只训练一个模型，最后一层是4个单元的全连接(密集)层(即输出维度)和softmax激活函数。