现阶段CNN在自然图像分析取得了很大的进步，CNN在自然图像上得到的“知识”体现在CNN的权值参数中，将自然图像知识迁移到医学图像就是迁移网络参数。常见的CNN迁移学习方法包括两种：一种是特征迁移学习，另一种是微调迁移学习。
特征迁移学习是为了寻找源领域和目标领域特征空间中共同的特征表示，缩小两个领域之间的差异，用于提高目标领域的分类性能。特征迁移学习得到的特征起到了不同领域知识的迁移作用，使用源领域的特征有利于目标领域分类。在眼底图像分类中，特征迁移学习是使用自然图像训练得到的参数初始化网络，通过CNN提取医学图像上的特征作为目标图像的特征，再使用分类器对提取到的特征进行训练。
微调迁移学习是基于参数的迁移学习，寻找源领域和目标领域中共享的模型参数，利用源领域的模型参数优化目标领域的模型参数，实现不同领域数据的知识迁移，有利于目标领域分类。在眼底图像分类中，微调迁移学习是使用自然图像训练得到的权值参数初始化网络，通过训练医学图像优化网络参数，再对医学图像进行分类。
---------------------
作者：Aliley
来源：CSDN
原文：https://blog.csdn.net/qq_22313585/article/details/79114847?utm_source=copy
版权声明：本文为博主原创文章，转载请附上博文链接！