2021-1-capstone-design1 / LSK_Project1

Go to a project
Toggle navigation Toggle navigation pinning
손주혜
3b1c5f17 1 parent b10d3f10

손주혜 내용 README.md 추가

Inline Side-by-side
Showing 1 changed file with 14 additions and 1 deletions
...@@ -74,10 +74,23 @@ ResNet 에서는 ResNet50이 가장 좋은 테스트 결과를 보였으며, 50 ...@@ -74,10 +74,23 @@ ResNet 에서는 ResNet50이 가장 좋은 테스트 결과를 보였으며, 50
74 - 아무것도 학습시키지 않은 모델에 새로운 흉부 X-ray dataset을 학습시켜 테스트한 경우 (모델 4) <br/> 74 - 아무것도 학습시키지 않은 모델에 새로운 흉부 X-ray dataset을 학습시켜 테스트한 경우 (모델 4) <br/>
75 <br/> 75 <br/>
76 76
77 -|Model|1|2|3|4| 77 +
78 +다음은 NIH dataset에 multi label classification을 적용한 경우이다.
79 +
80 +|ResNet50|Model1|Model2|Model3|Model4|
78 |:---------:|:---------:|:---------:|:---------:|:---------:| 81 |:---------:|:---------:|:---------:|:---------:|:---------:|
79 |Auc(%)|69|64|61|44| 82 |Auc(%)|69|64|61|44|
80 83
84 +<br>
85 +다음은 NIH dataset에 multi class classification을 적용한 경우이다.
86 +이때 class의 분류는 1) normal, 2) abnormal without Cardiomegaly, 3) abnormal with Cardiomegaly이다.
87 +
88 +|DenseNet121|Model1|Model2|Model3|Model4|
89 +|:---------:|:---------:|:---------:|:---------:|:---------:|
90 +|Acc(%)|81.7|80|33|68.3|
91 +
92 +
93 +
81 <br/> 94 <br/>
82 resnet은 50, densenet은 121의 depth인 경우 모델이 흉부 X-ray 데이터에 최적의 성능을 보였으며, 이 이상의 depth를 가질 경우 과적합 현상에 의해 오히려 테스트 성능이 저하되었다. <br/> 95 resnet은 50, densenet은 121의 depth인 경우 모델이 흉부 X-ray 데이터에 최적의 성능을 보였으며, 이 이상의 depth를 가질 경우 과적합 현상에 의해 오히려 테스트 성능이 저하되었다. <br/>
83 또한 NIH dataset을 최초로 학습시킬 경우 ImageNet에 대해 pretrain 되어있지 않은 모델이 추후에 새로운 흉부 X-ray dataset을 학습 및 테스트 했을때 더 좋은 성능을 나타냈다. 이와 더불어 NIH dataset의 pretrain은 다른 흉부 X-ray dataset의 학습에도 긍정적인 영향을 끼쳤다. 따라서, 유사한 형태의 X-ray dataset이 아니라면, 그 dataset을 pretrain 시키는 것은 오히려 모델의 최종 성능에 악영향을 끼친다는 결론을 지을 수 있었다. <br/> 96 또한 NIH dataset을 최초로 학습시킬 경우 ImageNet에 대해 pretrain 되어있지 않은 모델이 추후에 새로운 흉부 X-ray dataset을 학습 및 테스트 했을때 더 좋은 성능을 나타냈다. 이와 더불어 NIH dataset의 pretrain은 다른 흉부 X-ray dataset의 학습에도 긍정적인 영향을 끼쳤다. 따라서, 유사한 형태의 X-ray dataset이 아니라면, 그 dataset을 pretrain 시키는 것은 오히려 모델의 최종 성능에 악영향을 끼친다는 결론을 지을 수 있었다. <br/>
......