研究：EfficientNet 系列在固定分辨率下做 OCT 视网膜分类，B1…
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究问题与实验设置
论文关注一个具体问题：EfficientNet 在自然图像上按模型规模递增的性能阶梯，能否在固定分辨率的医学图像迁移学习中复现。作者选取 SD-OCT 视网膜疾病四分类任务，使用 Kermany 数据集，把八个 ImageNet 预训练变体 B0 至 B7 统一放在 224x224 输入下比较，实例化后的主干参数量跨度为 4.05M 到 64.10M。灰度图被复制为三通道 RGB，预处理与数据增强由模型内置流程完成。训练分两阶段：先冻结主干只训练分类头，再做部分微调。评估覆盖分类指标、区分度指标、效率指标与可视化分析。
准确率与类别表现
结果没有呈现单调递增。测试准确率最低的是 B0 的 95.93%，最高的是 B1 的 96.95%，B7 回升到 96.73%，形成一次随规模增大的二次回升。按类别看，Drusen 在所有变体上都是最难的一类，F1 最低，并贡献了各类 F1 平方偏差总和的 82.2%；类别难度排序稳定为 Normal > CNV > DME > Drusen。B1 取得最高的 Drusen F1（0.8780），B7 的 Drusen F1 为 0.8720，但召回率最高（0.9177），说明大模型在这一类上偏向多召回。
效率代价与结论边界
效率方面，准确率与参数量的比值从 19.82 个百分点每百万参数降到 1.48，意味着模型越大，每增加单位参数换来的精度越少；B7 同时带来更高的 CPU 延迟。训练-测试差距与测试准确率之间只有弱且不显著的关联（r=0.26，p=0.53）。作者据此认为，EfficientNet 的规模效应依赖具体任务与训练协议，不能直接照搬自然图像的排序——在 ImageNet 上 B7 居首，而本任务中 B1 更优。论文同时声明，跨划分的重复样本尚未独立审计，结论以所给数据划分为条件。
为什么值得看
想用 EfficientNet 做医学影像迁移学习的人可参考：更大模型不一定更准，B1 在精度与效率间更划算。
信源1 家
关键事实
八个 ImageNet 预训练 EfficientNet 变体在 224x224 分辨率下评测，实例化主干参数 4.05M 至 64.10M[1]
测试准确率从 B0 的 95.93% 到 B1 的 96.95%，B7 为 96.73%，并非单调变化[1]
B1 的 Drusen F1 为 0.8780 最高，B7 的 Drusen 召回率 0.9177 最高[1]
Drusen 类占各类 F1 平方偏差总和的 82.2%，类别排序为 Normal > CNV > DME > Drusen[1]
准确率与参数量比值由 19.82 降至 1.48 个百分点每百万参数，训练-测试差距与准确率关联不显著（r=0.26，p=0.53）[1]
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。