颜色分类leetcode-skin-data-augmentation:论文“皮肤病变分析的数据增强”的源代码-ISIC皮肤图像分析研讨会@M
颜色分类leetcode 皮肤病变分析的数据增强 该项目包含“皮肤病变分析的数据增强”中描述的所有实验的源代码。 抽象的 深度学习模型在自动皮肤病变分析中显示出显着的结果。 然而,这些模型需要大量数据,而带注释的皮肤病变图像的可用性通常是有限的。 数据增强可以通过转换输入图像来扩展训练数据集。 在这项工作中,我们研究了 13 个数据增强场景对在三个 CNN(Inception-v4、ResNet 和 DenseNet)上训练的黑色素瘤分类的影响。 场景包括传统的颜色和几何变换,以及更不寻常的增强,例如弹性变换、随机擦除和混合不同病变的新型增强。 我们还探索了测试时数据增强的使用以及数据增强对各种数据集大小的影响。 我们的结果证实了数据增强在训练和测试中的重要性,并表明与获取新图像相比,它可以带来更多的性能提升。 在不使用外部数据的情况下,黑色素瘤分类的最佳方案的 AUC 为 0.882,优于使用额外数据训练的 2017 年 ISIC 挑战赛的最高提交 (0.874)。 项目设置 使用pip3 install opencv-python安装 OpenCV。 运行pip3 install