EasyDL轻松搞定对抗学习 多算法比对临床试验数据(3)

调整权值：在特征指标清单中，可以根据待识别分型的特性，对特征指标进行选择;未被选择的指标不会参与计算。例如红细胞的体积和周长在一定范围，所以可被使用，而晶体没有大小限制，却有自身形状和色彩的区别，因而可以使用特殊色系指标。

每种指标有各自的权重，点击指标后，可以选择权重状况。系统会根据权重选项的不同，自动计算出指标权重档位，并在下次计算中，规划计分标准。权重不同，计分棒的粗细也会不同，但是计分只会在下次训练中更新。

当调整了权重后，再次点击红色按钮“开始训练”，则程序会在3~5分值内快速完成对新指标的识别模型。

测试识别：测试识别依赖于“L35图像识别系统”，L35是root主系统的后台系统，所以没有操作界面，需要依赖指令打开;但我们提供了L35的测试指令文件。

测试模式下，L35不会对细胞种类进行判定，而是将每一个细胞，针对该类型的识别计分进行展示，一般情况下，符合识别模型(编号02为白细胞)为正数，不符合及图像质量欠佳的为负数，图中白细胞基本为正数，不符合的均为负数。

偶尔情况下，你粘连图像会为正数，此种状况，只需要在尿沉渣主系统中，修改识别计分范围即可，或在提取方法中，引用图像分割函数。如果识别状况仍然不满意，可以通过调整权重实现精确控制识别，可以多尝试几次，即可成功。

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图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的模型部署：

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。另外还可以通过直接调用模型的API接口来实际测试效果。

对抗算法的实现：

EasyDL支持部署在iOS、安卓系统、Windows、Linux系统的端设备之中，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。

多种AI算法/产品相互的优劣势在临床检验尿沉渣中的比较：

EasyDL与特征学习目前各自的优劣势：

EasyDL是百度出品的高级AI算法，其定位是易于训练的深度学习图像识别模型训练平台。其具备非常强的泛化识别能力、更简便的图像计数和物体识别解决方案的部署能力，同时依赖于百度强大的云平台训练，节约了企业对于训练服务器的投入、深度学习人才的投入，让企业更加专注于业务产品化。

由于EasyDL对于训练图像尺寸与大小的限制，在一些特定场景使用时，例如工业及临床显微中，过GB存储量的图像，就需要切分后来实现大型图像的训练和识别。对于医疗显微、工业扫描作业中，是可以通过上下游的图像处理系统进行适配作业。

EasyDL增加了主要平台的兼容能力，如iOS、安卓、Windows、Linux等。在WIN平台上，也可以很好的通过winAPI对第三方软件进行智能化二次开发，因此降低了企业的开发难度。

EasyDL现已完全具备生产力转化作业能力，也正是工业与医疗领域所需要的得力图像识别内核系统。

特征学习的劣势在于过度需要依赖图像切割算法，面对较为复杂的图像，因为不能切割出个体图像，而无法识别;所以特征学习只能局限于特定的离散类型图像：临床细胞学、组织学、工业颗粒物检测、流水线质检等。而在模型泛化的角度上看，特征学习完全是针对某一应用的定制模型，无法具备泛化能力。

任何AI技术均为人工智能的一个角度，均不能独立解决行业应用的复杂问题，所以需要相互补偿各自的缺点，才能走的更远。

【51CTO原创稿件，合作站点转载请注明原文作者和出处为51CTO.com】

（编辑：ASP站长网）