EasyDL轻松搞定对抗学习 多算法比对临床试验数据

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：

（编辑：青岛站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!