迁移学习基本原理
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。
https://blog.csdn.net/qq_22313585/article/details/79114847?utm_source=copy
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/69946223/viewspace-2667967/ ，如需转载，请注明出处，否则将追究法律责任。
