使用百度EasyDL在临床检验中实现对抗学习算法
|
F . 正式识别程序，是由尿沉渣主系统控制并调用，识别结果会显示在尿沉渣主系统之中。在主系统正式识别操作中，对于错误的标注进行修改，系统会将被修改细胞自动归纳为新的学习样本，在下一次系统学习中，即可实现自我的升级迭代。 EasyDL的识别部署：
当EasyDL模型审核通过之后，我们有两种方法使用EasyDL的识别，一种是使用“体验H5”，生产H5的二维码，上传图像进行识别。
以上上传的图像，均识别为BLC白细胞 对抗算法的实现： 目前EasyEdge暂未上线，所以EasyDL只能部署于安卓系统的端设备之中，EasyDL的推理系统暂时不能部署于封闭网络环境中，因此EasyDL暂时只能作为网上对抗系统。当EasyDL完成WIN版SDK部署，即可实现双前端AI对抗验证。 EasyDL与特征学习目前的对抗，主要体现在错误识别的相互指正，然后通过人为分析结果，将错误的图像，重新加入到训练模型的数据集之中，让模型实现叠代。目前，对抗训练仍是需要采用手工完成，自动对抗训练系统正在开发之中。 三种AI相互的优劣势在临床检验尿沉渣中的比较： 使用对抗算法与传统算法相互间的比较： 在使用传统或是AI的单一算法过程中，无论哪种算法我们都无法让系统自行证明结果的正确性，但当引入竞争算法时，通过两种AI算法可以相互论证结果正确性。 传统单一AI算法无法指出自身的识别错误，往往需要人工复查每一个结果;而对抗算法可以有效的解决这一问题，人工只需要仲裁两种AI的差异结果，即可完成正确的应用过程中推理。而仲裁结果在完全自主对抗系统中，会将仲裁结果重新加入训练集，进而进化两种AI的准确性，这样避免了单一AI算法的过学习，也提高了AI的准确性。 EasyDL与特征学习目前各自的劣势： EasyDL是百度出品的高级AI算法，其定位于易于训练的深度学习图像识别系统。但是图像尺寸与大小的限制，会限制其无法在真正需要EasyDL的场景，例如工业及临床显微中，过GB存储量的图像。而在图像标注过程中，EasyDL缺乏图像修饰能力，在训练过程中，模型往往容易受到非目标元素内容而形成干扰，训练出非可控的推理模型。 （编辑：辽源站长网） 【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容! |
