遷移學習基本原理

    現階段CNN在自然影像分析取得了很大的進步，CNN在自然影像上得到的“知識”體現在CNN的權值引數中，將自然影像知識遷移到醫學影像就是遷移網路引數。常見的CNN遷移學習方法包括兩種：一種是特徵遷移學習，另一種是微調遷移學習。

    特徵遷移學習是為了尋找源領域和目標領域特徵空間中 共同的特徵表示，縮小兩個領域之間的差異，用於提高目標領域的分類效能。特徵遷移學習得到的特徵起到了不同領域知識的遷移作用，使用源領域的特徵有利於目標領域分類。在眼底影像分類中，特徵遷移學習是使用自然影像訓練得到的引數初始化網路，透過CNN提取醫學影像上的特徵作為目標影像的特徵，再使用分類器對提取到的特徵進行訓練。

    微調遷移學習是基於引數的遷移學習，尋找源領域和目標領域中 共享的模型引數，利用源領域的模型引數最佳化目標領域的模型引數，實現不同領域資料的知識遷移，有利於目標領域分類。在眼底影像分類中，微調遷移學習是使用自然影像訓練得到的權值引數初始化網路，透過訓練醫學影像最佳化網路引數，再對醫學影像進行分類。

https://blog.csdn.net/qq_22313585/article/details/79114847?utm_source=copy