始于2019年的新冠肺炎仍然肆虐全球，快速低成本检测该疾病成为了医学技术领域最热门的话题，早已有专家发现，核酸+胸部医学影像检测相结合是更可信的检测手段。
胸部X光影像是低成本的检测技术，但深度学习往往需要大量的训练样本，但目前公开可获得的样本不过数千。如何在样本不足的情况下使用深度学习进行检测呢？迁移学习是很不错的选择！但还可以更好吗？
今天公开的一篇论文 COVID-19 detection from scarce chest x-ray image data using deep learning 使用孪生网络在这个少样本学习问题中做了实验，取得了不错的效果。作者已经开源了代码。
论文作者信息：
胸部X光影像示例：
上图中covid为新冠肺炎样本，Viral Pneumonia 为普通肺炎，Normal为正常样本。
作者使用的数据集来自kaggle：
https://www.kaggle.com/tawsifurrahman/covid19-radiography-database
https://www.kaggle.com/pranavraikokte/covid19-image-dataset
数据集1 含有 1200幅 COVID-19阳性图像，1341幅正常图像和1345普通肺炎图像。数据集2 含有317幅图像，也分为上述三类。
普通迁移学习的示意图：
将在其他相近任务数据集上训练的权重进行微调，进行不同肺炎的分类训练。
孪生网络用于分类的方法示例：
同时输入两幅图像，经过图像增广+共享权重的CNN网络提取特征，模型目标是判断提取到的特征是否来自同一类。
很显然，孪生网络既可以从头训练，也可以将其中CNN网络替换为预训练模型的权重，这就是孪生网络+迁移学习。
作者在前述数据集中进行了实验，孪生网络+迁移学习取得了最好的分类结果，在各项指标中全面领先。
如下图：
对比技术包括逻辑回归、5层CNN、VGG16迁移学习、从头训练的孪生网络。
也许提到图像分类，我们往往会想到预训练模型+迁移学习，但在少样本学习中，孪生网络也是一个值得尝试的不错选择。但愿在其他任务中也有效！
论文：
https://arxiv.org/pdf/2102.06285.pdf
代码：
https://github.com/shruti-jadon/Covid-19-Detection
备注：小样本
小样本零样本域适应交流群
小样本学习、零样本学习、域适应等技术，
若已为CV君其他账号好友请直接私信。
我爱计算机视觉
微信号:aicvml
QQ群:805388940
微博知乎:@我爱计算机视觉
投稿:amos@52cv.net
网站:www.52cv.net
喜欢文章就点在看哦 
转载：https://blog.csdn.net/moxibingdao/article/details/113821297