基于多幅图像作为输入的张量流分类，而不是签名

Question

我正在建立一个CNN来告诉我一个人是否有脑损伤。我计划使用tf inception v3模型和build_image_data.py脚本来构建TFRecord。在

数据集由脑部扫描组成。每次扫描大约有100张图像（不同的头部姿势、角度）。在某些图像上，损伤是可见的，但在某些图像上则不可见。我不能将扫描的所有图像都标记为损伤阳性（或阴性），因为有些图像会被标记错误（如果损伤扫描为阳性，但在特定图像上看不到）。在

有没有一种方法可以将整个扫描标记为阳性/阴性，并以此方式训练网络？ 训练完成后，通过扫描作为网络输入（不是单一图像）并对其进行分类。在

Answer 1

看起来多实例学习可能是你的方法。看看这两篇论文：

Multiple Instance Learning Convolutional Neural Networks for Object Recognition

Classifying and segmenting microscopy images with deep multiple instance learning

最后一个由@dancsalo实现（不确定他是否有堆栈溢出帐户）here。在

我看第二篇文章处理的是非常大的图像，并将它们分解成子图像，但标记了整个图像。因此，这就像给一包图像加上标签，而不是为每个子图像制作标签。在你的例子中，你可以构建一个图像矩阵，即每扫描一个10图像x 10图像主图像。。。在

让我们知道如果你这样做，如果它在你的数据集工作良好！在