译者 | 朱先忠
审校 | 孙淑娟
图1：原作者自己设计的Iluminado项目的封面
2019年世界卫生组织估计，全球共有约22亿视力障碍者，其中至少有10亿人本可以预防或仍在治疗。就眼部护理领域而言，全世界面临许多挑战，包括预防、治疗和康复服务的覆盖面和质量不平等。缺乏训练有素的眼部护理人员，眼部护理服务与主要卫生系统的整合也很差。我的目标是激发人们的行动来共同应对这些挑战。本文中展示的项目是我目前正在进行的数据科学顶峰项目Iluminado的一部分。
我创建本文项目的目的是想训练一个深度学习集成模型，最终实现该模型对于低收入家庭来说非常容易获得，并且可以以低成本执行初始疾病风险诊断。通过使用我的模型程序，眼科医生就可以根据视网膜眼底摄影确定是否需要立即进行干预。
OphthAI提供了一个名为视网膜眼底多疾病图像数据集（Retinal Fundus Multi-Disease Image Dataset，简称“RFMiD”）的公共可用图像数据集，该数据集包含3200张眼底图像，这些图像由三台不同的眼底相机拍摄，并由两名资深视网膜专家根据已裁决的共识进行注释。
这些图像是从2009-2010年期间进行的数千次检查中提取的，既选择了一些高质量的图像也包含不少低质量的图像，从而使数据集更具挑战性。
数据集共分为三个部分，包括训练集（60%或1920张图像）、评估集（20%或640张图像）和测试集（20%和640张）。平均而言，训练集、评估集和测试集中的患有疾病的占比分别为60±7%、20±7%和20±5%。该数据集的基本目的是解决日常临床实践中出现的各种眼部疾病，共确定了45类疾病/病理。这些标签可以分别在三个CSV文件中找到，它们是RFMiD_Training_Labels.CSV、RFMiD_Validation_Labels.SSV和RFMiD_Testing_Labels.CSV。
下面这张图是用一种被称为眼底照相机的工具拍摄的。眼底照相机是一种专门的低倍显微镜，连接在一台闪光照相机上，用来拍摄眼底，即眼睛后部的视网膜层。
现在，大多数眼底照相机都是手持式的，因此患者只需直视镜头。其中，明亮的闪光部分表示已拍摄眼底图。
手持摄像机是有其优点的，因为它们可以被携带到不同的位置，并且可以容纳有特殊需求的患者，例如轮椅使用者。此外，任何接受过所需培训的员工都可以操作摄像头，从而能够使服务水平低下的的糖尿病患者可以快速、安全、高效地进行年度检查。
眼底视网膜成像系统拍照情况：
图2：基于各自视觉特征拍摄的图像：（a）糖尿病视网膜病变（DR）、（b）老年性黄斑变性（ARMD）和（c）中度霾（MH）。
最初的筛查过程可以通过深度学习来辅助，但最终诊断由眼科医生使用裂隙灯检查进行。
这一过程也被称为生物显微镜诊断，它涉及对活细胞的检查。医生可以进行显微镜检查，以确定病人的眼睛是否出现任何异常。
图3：裂隙灯检查图示
与传统的机器学习算法不同，深度卷积神经网络（CNN）可以使用多层模型的办法实现从原始数据中自动提取和分类特征。
最近，学术界发表了大量文章，都是有关使用卷积神经网络（CNN）来识别各种眼部疾病的，如糖尿病视网膜病变和结果异常（AUROC>0.9）的青光眼等。
AUROC分数将ROC曲线汇总为一个数字，该数字描述了模型在同时处理多个阈值时的性能。值得注意的是，AUROC分数为1代表是一个完美的分数，而AUROC得分为0.5对应于随机猜测。
图4：ROC曲线示意图展示
交叉熵通常在机器学习中用作损失函数。交叉熵是信息理论领域的一种度量，它建立在熵定义的基础上，通常用于计算两个概率分布之间的差异，而交叉熵可以被认为是计算两个分布之间的总熵。
交叉熵也与逻辑损失有关，称为对数损失。尽管这两种度量方法来自不同的来源，但当用作分类模型的损失函数时，这两种办法计算的数量相同，可以互换使用。
（有关具体详情，请参考：https://machinelearningmastery.com/logistic-regression-with-maximum-likelihood-estimation/）
交叉熵是给定随机变量或事件集的两个概率分布之间差异的度量。您可能还记得，信息量化了编码和传输事件所需的位数。低概率事件往往包含更多的信息，而高概率事件则包含较少的信息。
在信息论中，我们喜欢描述事件的“惊讶”。事件发生的可能性越小，就越令人惊讶，这意味着它包含了更多的信息。
在给定事件P(x)的概率的情况下，就可以为事件x计算信息h(x)，如下所示：
h(x) = -log(P(x))
图4：完美的插图（图片来源：Vlastimil Martinek）
熵是从概率分布中传输随机选择的事件所需的比特数。偏态分布具有较低的熵，而事件具有相等概率的分布一般具有较大的熵。
图5：目标与预测概率之比的完美说明（图片来源：Vlastimil Martinek）
偏态概率分布具有较少的“意外”，反过来也具有较低的熵，因为可能的事件占主导地位。相对来说，平衡分布更令人惊讶，而且熵更高，因为事件发生的可能性相同。
熵H（x）可以针对具有x个离散状态中的一组x的随机变量及其概率P（x）计算，如下图所示：
图6：多级交叉熵公式（图片来源：Vlastimil Martinek）
多类别分类——我们使用多分类交叉熵——属于交叉熵的一种具体应用情形，其中的目标采用的是单热编码向量方案。（有兴趣的读者可参考Vlastimil Martinek的文章）
图7：熊猫和猫损失计算的完美分解图（图片来源：Vlastimil Martinek）
图8：损失值的完美分解图1（图片来源：Vlastimil Martinek）
图9：损失值的完美分解图2（图片来源：Vlastimil Martinek）
图9：关于概率和损失的可视化展示（图片来源：Vlastimil Martinek）
图10：分类交叉熵公式图解（图片来源：Vlastimil Martinek）
在我们的项目中选择使用了二元分类——二元交叉熵方案，即目标为0或1的交叉熵方案。如果我们将目标分别转换为[0,1]或[1,0]的热编码向量方式并进行预测，那么我们就可以使用交叉熵公式来进行计算。
图11：二元交叉熵计算公式图解（图片来源：Vlastimil Martinek）
在一个典型的多标签模型环境中，数据集的特征可能存在不成比例数量的正标签和负标签的情况。此时，数据集倾向于负标签的这种趋势对于优化过程具有主导性影响，并最终导致正标签的梯度强调不足，从而降低预测结果的准确性。
这也正是我当前选用的数据集所面临的情况。
本文项目中采用了BenBaruch等人开发的非对称损失算法（参考图12），这是一种解决多标签分类的方法，不过其中的类别也存在严重不平衡分布情形。
我想到的办法是：通过不对称地修改交叉熵中的正负分量，从而减少负标签部分的权重，最终实现突出上述处理起来较为困难的正标签部分的权重。
图12：非对称多标签分类算法（2020，作者：Ben-Baruch等）
总体归纳一下，本文项目使用了如图所示的体系架构：
图13（图片来源：Sixu）
上述架构所采用的关键算法主要包括：
另外，上述有关算法有关内容一定会在我完成本文Capstone项目后加以更新！有兴趣的读者敬请期待！
朱先忠，51CTO社区编辑，51CTO专家博客、讲师，潍坊一所高校计算机教师，自由编程界老兵一枚。
原文标题：Deep Ensemble Learning for Retinal Image Classification (CNN)，作者：Cathy Kam
我在app/helpers/sessions_helper.rb中有一个帮助程序文件，其中包含一个方法my_preference，它返回当前登录用户的首选项。我想在集成测试中访问该方法。例如，这样我就可以在测试中使用getuser_path(my_preference)。在其他帖子中，我读到这可以通过在测试文件中包含requiresessions_helper来实现，但我仍然收到错误NameError:undefinedlocalvariableormethod'my_preference'.我做错了什么？require'test_helper'require'sessions_hel
我一直很高兴地使用DelayedJob习惯用法:foo.send_later(:bar)这会调用DelayedJob进程中对象foo的方法bar。我一直在使用DaemonSpawn在我的服务器上启动DelayedJob进程。但是...如果foo抛出异常，Hoptoad不会捕获它。这是任何这些包中的错误...还是我需要更改某些配置...或者我是否需要在DS或DJ中插入一些异常处理来调用Hoptoad通知程序？回应下面的第一条评论。classDelayedJobWorker 最佳答案 尝试monkeypatchingDelayed::W
我有带有Logo图像的公司模型has_attached_file:logo我用他们的Logo创建了许多公司。现在，我需要添加新样式has_attached_file:logo,:styles=>{:small=>"30x15>",:medium=>"155x85>"}我是否应该重新上传所有旧数据以重新生成新样式？我不这么认为……或者有什么rake任务可以重新生成样式吗？ 最佳答案 参见Thumbnail-Generation.如果rake任务不适合你，你应该能够在控制台中使用一个片段来调用重新处理!关于相关公司
目录一.加解密算法数字签名对称加密DES(DataEncryptionStandard)3DES(TripleDES)AES(AdvancedEncryptionStandard)RSA加密法DSA(DigitalSignatureAlgorithm)ECC(EllipticCurvesCryptography)非对称加密签名与加密过程非对称加密的应用对称加密与非对称加密的结合二.数字证书图解一.加解密算法加密简单而言就是通过一种算法将明文信息转换成密文信息，信息的的接收方能够通过密钥对密文信息进行解密获得明文信息的过程。根据加解密的密钥是否相同，算法可以分为对称加密、非对称加密、对称加密和非
前置步骤我们都操作完了，这篇开始介绍jenkins的集成。话不多说，看操作1、登录进入jenkins后会让你选择安装插件，选择第一个默认的就行。安装完成后设置账号密码，重新登录。2、配置JDK和Git都需要执行路径，所以需要先把执行路径找到，先进入服务器的docker容器，2.1JDK的路径root@69eef9ee86cf:/usr/bin#echo$JAVA_HOME/usr/local/openjdk-82.2Git的路径root@69eef9ee86cf:/#whichgit/usr/bin/git3、先配置JDK和Git。点击：ManageJenkins>>GlobalToolCon
目录前言滤波电路科普主要分类实际情况单位的概念常用评价参数函数型滤波器简单分析滤波电路构成低通滤波器RC低通滤波器RL低通滤波器高通滤波器RC高通滤波器RL高通滤波器部分摘自《LC滤波器设计与制作》，侵权删。前言最近需要学习放大电路和滤波电路，但是由于只在之前做音乐频谱分析仪的时候简单了解过一点点运放，所以也是相当从零开始学习了。滤波电路科普主要分类滤波器：主要是从不同频率的成分中提取出特定频率的信号。有源滤波器：由RC元件与运算放大器组成的滤波器。可滤除某一次或多次谐波，最普通易于采用的无源滤波器结构是将电感与电容串联，可对主要次谐波（3、5、7）构成低阻抗旁路。无源滤波器：无源滤波器，又称
最近在学习CAN，记录一下，也供大家参考交流。推荐几个我觉得很好的CAN学习，本文也是在看了他们的好文之后做的笔记首先是瑞萨的CAN入门，真的通透；秀！靠这篇我竟然2天理解了CAN协议！实战STM32F4CAN！原文链接：https://blog.csdn.net/XiaoXiaoPengBo/article/details/116206252CAN详解（小白教程）原文链接：https://blog.csdn.net/xwwwj/article/details/105372234一篇易懂的CAN通讯协议指南1一篇易懂的CAN通讯协议指南1-知乎(zhihu.com)视频推荐CAN总线个人知识总
深度学习部署：Windows安装pycocotools报错解决方法1.pycocotools库的简介2.pycocotools安装的坑3.解决办法更多Ai资讯：公主号AiCharm本系列是作者在跑一些深度学习实例时，遇到的各种各样的问题及解决办法，希望能够帮助到大家。ERROR:Commanderroredoutwithexitstatus1:'D:\Anaconda3\python.exe'-u-c'importsys,setuptools,tokenize;sys.argv[0]='"'"'C:\\Users\\46653\\AppData\\Local\\Temp\\pip-instal
我正在尝试使用Ruby2.0.0和Rails4.0.0提供的API从imgur中提取图像。我已尝试按照Ruby2.0.0文档中列出的各种方式构建http请求，但均无济于事。代码如下:require'net/http'require'net/https'defimgurheaders={"Authorization"=>"Client-ID"+my_client_id}path="/3/gallery/image/#{img_id}.json"uri=URI("https://api.imgur.com"+path)request,data=Net::HTTP::Get.new(path
2022/8/4更新支持加入水印水印必须包含透明图像，并且水印图像大小要等于原图像的大小pythonconvert_image_to_video.py-f30-mwatermark.pngim_dirout.mkv2022/6/21更新让命令行参数更加易用新的命令行使用方法pythonconvert_image_to_video.py-f30im_dirout.mkvFFMPEG命令行转换一组JPG图像到视频时，是将这组图像视为MJPG流。我需要转换一组PNG图像到视频，FFMPEG就不认了。pyav内置了ffmpeg库，不需要系统带有ffmpeg工具因此我使用ffmpeg的python包装p