П.М. Пищев, Д.А. Шарапов, С.А. Корчагин, Е.И. Ершов

Обучение нейронных сетей на новых доменах и малых выборках в задаче определения группы крови

Современные алгоритмы глубокого обучения позволяют достичь высоких результатов предсказания в различных задачах классификации изображений. Как правило, для этого требуется достаточно большое количество данных из каждого класса в обучающей выборке. Однако сбор нового набора размеченных данных для решения похожих задач классификации может быть трудозатратным и дорогостоящим. Для решения такой проблемы существуют методы адаптации к новому домену на основании данных из исходного домена. В данной работе исследуются техники доменной адаптации в приложении к распознаванию реакции агглютинации крови в лунках серологических планшетов в условиях малого количества данных в целевом домене. В качестве доменов выступают лунки круглой и овальной форм с двумя классами: наличия или отсутствия реакции агглютинации. В сценарии обучения без исходного домена удалось достигнуть точности классификации в 95,6% на 32 круглых лунках и 94,2% на 32 овальных лунках. В сценарии обучения без разметки на целевом домене удалось достигнуть точности классификации в 95,8% на 32 круглых лунках и 95,5% на 32 овальных лунках.

КЛЮЧЕВЫЕ СЛОВА: доменная адаптация, определение групп крови, обучение на малых данных.