Tensorflow - 基于多个图像作为输入进行分类，而不是一个

Question

我正在建立CNN，告诉我一个人是否有脑损伤。我打算使用tf inception v3模型和build_image_data.py脚本来构建 TFRecord 。

数据集由脑部扫描组成。每次扫描都有大约100张图像（不同的头部姿势，角度）。在某些图像上，可见损坏，但有些则不然。我无法将扫描中的所有图像标记为损坏正面（或负面），因为其中一些图像会被标记为错误（如果扫描在损坏时为正，但在特定图像上不可见）。

有没有办法将整个扫描标记为正/负，并以此方式训练网络？ 训练完成后，将扫描作为输入传递给网络（不是单个图像）并对其进行分类。

Answer 1

看起来多实例学习可能是您的方法。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

最后一个是由@dancsalo实现的（不确定他是否有堆栈溢出帐户）here。

我看起来像第二篇论文处理非常大的图像并将它们分成子图像，但标记整个图像。因此，它就像用标签标记一袋图像，而不必为每个子图像制作标签。在您的情况下，您可以构建一个图像矩阵，即每个扫描的10个图像x 10图像主图像......

如果您这样做以及它是否适用于您的数据集，请告诉我们！