search

NuriaVP / Transfer-Learning-EDM

Dada la escasez de imágenes etiquetadas asociadas a la detección y clasificación del edema macula diabético, este proyecto aplica transfer learning para mejorar la precisión de estos modelos al hacer dicha clasificación.
1 stars 0 forks source link

Quinta prueba VGG16: OCT Samsung train / iPhone test #23

Closed NuriaVP closed 1 year ago

NuriaVP commented 1 year ago

Debido a que necesitamos tener un conjunto de datos de entrenamiento grande porque sino se tiende a la clasificación en la clase mayoritaria, pero no podemos meter el mismo conjunto de datos en train que en test (como en la Issue #17) porque entonces obtenemos buenos resultados pero no realistas, vamos a probar a utilizar las imágenes de dos de los aparatos para train y las del otro para test.

NuriaVP commented 1 year ago

Tarea completada en el commit: dc2b96102c39fb513f8ffbfecf05aec5d4548f45

En esta prueba hemos utilizado el modelo VGG16 distribuyendo los datos de tal forma que para entrenar hemos cogido OCT y iPhone o Samsung, y para testear hemos seleccionado el restante que no se hubiese usado en train, iPhone o Samsung. Los resultados han mejorado con respecto a las pruebas donde solo indicábamos OCT como conjunto train, y ya no se clasifican todos los datos en el grupo mayoritario.

NuriaVP commented 1 year ago

Los resultados de esta prueba han sido favorables porque al incluir imágenes en el conjunto de train que no son tan perfectas como las del OCT, o sea, añadiendo iPhone o Samsung, los resultados mejoran y la distribución en la tabla de contingencia así lo revela. Aún así intentaremos añadir mejoras en pruebas posteriores para incrementar esas medidas de evalaución.

Algunos parámetros sacados de la tabla de contingencia de estas pruebas

A) VGG16 -> OCT + iPhone train / Samsung test

B) VGG16 -> OCT + Samsung train / iPhone test