現階段CNN在自然影象分析取得了很大的進步，CNN在自然影象上得到的“知識”體現在CNN的權值引數中，將自然影象知識遷移到醫學影象就是遷移網路引數。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。在眼底影象分類中，特徵遷移學習是使用自然影象訓練得到的引數初始化網路，通過CNN提取醫學影象上的特徵作為目標影象的特徵，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優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。在眼底影象分類中，微調遷移學習是使用自然影象訓練得到的權值引數初始化網路，通過訓練醫學影象優化網路引數，再對醫學影象進行分類。
---------------------
作者：Aliley
來源：CSDN
原文：https://blog.csdn.net/qq_22313585/article/details/79114847?utm_source=copy
版權宣告：本文為博主原創文章，轉載請附上博文連結！