EasyDL轻松搞定对抗学习 多算法比对临床试验数据

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：核心网）

【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!