在超小样本上使用CNN进行皮肤检测-FlyAI

在超小样本上使用CNN进行皮肤检测

CNN TensorFlow

最后更新 2020-05-28 17:18 阅读 162

最后更新 2020-05-28 17:18

阅读 162

CNN TensorFlow

本文将介绍一种在超小样本上使用CNN进行皮肤检测的方法，实验环境如下：
- tensorflow 2.0.0
- python 3.7

皮肤检测很有讲究，有许多机器学习算法从纹理、光反射、颜色等方面进行研究，试图研究出皮肤所具备的某种模式，但这却基于大量的经验假设，对于未考虑到的皮肤品种就不具有很好的辨别能力。而深度学习方法就省去了自己提取特征的麻烦，本文使用CNN在小样本上进行了训练，识别效果还差强人意。

本文共使用12张带标记的三通道图片进行训练，使用6张三通道图片进行测试，其中一张图片的测试结果如下图所示。
![](https://dataset.flyai.com/111111111111111111.png)

下面介绍模型设计，下图为模型的架构。
![](https://dataset.flyai.com/22222221.png)

### 输入层
本模型输入层接收大小为100×100×3的张量，即采用RGB三通道的宽高均为100像素的图片的像素所组成的张量。为了使该模型对于任何图片均能有效，因此前期需要对输入的图片进行预处理以使得图片的宽高均为100×100像素。
本系统对训练数据与测试数据均进行了预处理。首先将图片大小进行放缩，使其大小为100×100像素，放缩方式为双线性插值法，图片经过放缩后大小被固定为100×100像素的大小。为了减小图片标记及图片收集等过程中产生的噪声，还需对放缩后的图片张量的每个元素值限制在0到1之间，因此将每个元素均除以255作为其最终的输入值。
### 卷积层与池化层
在卷积神经网络中，卷积层与池化层往往结对出现，但同样也可以出现几个卷积层中间没有池化层的情况。
卷积层定义一组卷积单元，每个卷积单元都有一个给定的窗口大小，并各自维持一个卷积过滤条件，卷积过滤条件是一个与给定窗口同样大小的矩阵。卷积窗口在输入数据中每移动一次，都需要将窗口中的值与卷积过滤条件的矩阵中的值做乘法，然后将所有值相加，相加所得和将被传入激活函数中进行计算，激活函数输出的结果将作为输出矩阵中的一项。本系统中卷积层所采用的激活函数为Relu函数，Relu函数为一个非线性函数，在输入值小于等于0时，该函数返回值为0，而当输入值大于0时，该函数返回值为输入值本身。模型在训练过程中需要不断调整卷积过滤条件以提高模型正确率。
池化层跟在卷积层之后，其拥有一个给定的窗口大小和给定的移动步长。池化层的窗口在卷积层的输出矩阵上按照所规定的的步长的长度移动，并根据给定的规则对窗口中的值进行计算并输出计算后的值作为池化层的一个输出。池化层的窗口中的值的计算规则有许多，本文所采用的的为MaxPooling算法，即选取窗口中最大的值作为输出。池化层的主要作用为在保留关键信息的同时降低模型维度，防止模型过拟合，提高模型泛化能力。
本系统中连续采用了3组卷积/池化层，卷积层采用的激活函数均为relu，卷积窗口大小均为3×3，卷积单元的数量分别为32、64、128，池化层均采用MaxPooling算法，池化窗口和步长均为2×2。
### Flatten层与输出层
Flatten层主要作用为将张量扁平化为1维向量，并不涉及任何额外的计算，采用其的目的是为了使数据能够被用于接下来的全连接层。
本系统中只有一个全连接层，也就是输出层。全连接层就是指前一层中的每一个输出值均与后一层的所有输入节点相连接。在本系统中，Flatten层输出12800个值，每一个值都将与输出层中的10000个节点相互连接。输出层一共10000个节点，激活函数是sigmoid函数，该函数是一个值域为(0, 1)的连续函数，全连接层经过线性变换得到的值经过sigmoid激活函数后可以得到一个取值为0到1之间的规整后的值。输出层的10000个节点输出的值将组成模型对原始图形进行皮肤检测后得到的标记值，即将输出值转为100×100形状的矩阵后可以组成模型检测到的皮肤图案。
### 模型损失函数与优化算法选择
本模型采用了sigmoid_cross_entropy_with_logits作为损失函数，该损失函数能够对给定的logits计算sigmoid的交叉熵，其适用于每个类别不相互排斥的情况，与本模型目的相吻合。
本模型优化器选择了Root Mean Square Prop (RMSProp)，该算法为Momentum算法的改进版本，其进一步解决了优化中摆动幅度大的问题，能加快函数的收敛速度，且实验证明在小样本上该算法表现较好。本模型选择的学习率为0.001，实验结果证明该取值不会导致模型损失值的震荡。

最后，本实验验证了不同激活函数、不同损失函数、不同优化器对皮肤识别的准确率的影响。

![不同激活函数](https://dataset.flyai.com/666.png)

![不同损失函数](https://dataset.flyai.com/888.png)

![不同优化器](https://dataset.flyai.com/99999.png "不同优化器")

其中模型核心部分代码如下：
```python
import tensorflow as tf
from tensorflow import keras

# 输入层
img_input = keras.layers.Input(shape=(100, 100, 3))

# 第一个卷积层,32个3×3的过滤器，激活函数是relu
# 紧随其后是池化层，池化层窗口大小为2×2，步长默认与池化层窗口大小相同
x = keras.layers.Conv2D(32, 3, activation='relu')(img_input)
x = keras.layers.MaxPooling2D(2)(x)

# 继续两个卷积池化层
x = keras.layers.Conv2D(64, 3, activation='relu')(x)
x = keras.layers.MaxPooling2D(2)(x)
x = keras.layers.Conv2D(128, 3, activation='relu')(x)
x = keras.layers.MaxPooling2D(2)(x)

# 将x摊平，要开始进入几个全连接层并最终返回10000个0或1的值
x = keras.layers.Flatten()(x)
# 创建全连接层，包含512个单元
output = keras.layers.Dense(10000, activation='sigmoid')(x)

model = keras.Model(img_input, output)

# 显示模型计算过程
model.summary()

# 模型损失函数与优化算法的选择
model.compile(loss=tf.nn.sigmoid_cross_entropy_with_logits,
              optimizer=tf.keras.optimizers.SGD(),
              metrics=['acc'])

```

本作品采用知识共享署名-非商业性使用-相同方式共享 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址：https://www.flyai.com/article/523

讨论

500字

表情

每日参与讨论奖励 20FAI

发送

每日参与讨论奖励 20FAI

删除确认

是否删除该条评论？

取消删除