基于部分迁移学习的皮肤病图像分类

目的皮肤病医生采用计算机辅助诊断系统对皮肤病进行诊断时,由于不同皮肤病彩色图像有着极强的相似性,导致皮肤病诊断的准确度不高。为了提高对皮肤病诊断的准确度,提出一种基于部分迁移学习的皮肤病图像分类算法。方法实验采用的数据集是由国际皮肤成像协会(ISIC)提供的ISIC2018和ISIC2019数据集。ISIC2018数据集光化角化病(AKIEC)图像327幅,良性角化病(BKL)图像1099幅,基底细胞癌(BCC)图像514幅,皮肤纤维瘤(DF)图像115幅,黑色素瘤(MEL)图像1113幅,黑色素细胞痣(NV)图像6705幅,血管病变(VASC)图像142幅,鳞状细胞癌(SCC)图像0幅,合计10015幅。ISIC2019数据集AKIEC图像867幅,BKL图像2624幅,BCC图像3323幅,DF图像239幅,MEL图像4522幅,NV图像12875幅,VASC图像253幅,SCC图像628幅,合计25331幅。通过选出仅存于源域中的数据样本类别,使其不参与迁移,只迁移源域中和目标域共有的数据样本类别,从而减少了负迁移的发生,同时通过最大化匹配源域和目标域共有的标签空间,促进了正向迁移。结果在ISIC2018数据集上对该算法进行测试,其精确度、灵敏度、特异度和准确度的结果分别是99.24%、97.73%、99.56%、97.32%。混淆矩阵中可以清楚地看出每一类图像的分类结果。结论从实验结果可以看出,部分迁移学习算法在降低负迁移的效果上优于传统的迁移学习算法。

基于双级对齐部分迁移网络的旋转设备故障诊断

随着智能制造和工业大数据的快速发展,迁移学习在旋转设备故障诊断领域得到了广泛研究.在工业现场,存在大量目标域标签空间为源域标签空间子集的场景,现有迁移学习方法在处理此类场景时,无法消除源域离群类别对目标域分类产生的负迁移影响.部分迁移学习通过限制源域不同类别数据在特征对齐过程的贡献度,实现源域和目标域共享类别特征对齐.然而,现有部分迁移学习方法仅考虑源域和目标域共享类别边缘分布对齐,未考虑源域和目标域共享类别各子类间的状态分布对齐,诊断正确率仍有待提高.为此,本文以Vision Transformer网络为基础网络架构,提出基于双级对齐部分迁移网络的故障诊断方法:一方面构造加权平衡机制促进源域和目标域共享类别间的边缘分布对齐,另一方面利用度量学习实现源域和目标域共享类别各子类间的状态分布对齐.利用滚动轴承故障数据对所提方法进行验证,结果表明:所提方法在所有诊断案例中的准确率均在95%以上,相比其他对比方法表现出更优的诊断效果.