Efficient Classification of Very Large Images with Tiny Objects（CVPR2022）

基本参数设置

dataset：colon cancer
TenCrossValidation：True
optimizer：adam
models_set：LeNet
mode：10CrossValidation
lr：0.0001
weight_decay：1e-5
lr_decay_steps：30
lr_decay_ratio：0.9
clipnorm梯度裁剪（阈值设为5.0）避免梯度爆炸问题
tile_size：250×250
patch_size：即从高分辨率中提取的子块大小为27×27
n_patches：10
regularizer_strength：0.01
batch_size：5
epoch：100
scale：0.2（下采样缩放因子）
contrastive_learning：True
若采用对比学习，从第10个epoch开始
二分类
动态采样系数不进行正则化
每个epoch都进行一次验证
重叠区域大小设置为1减少边缘信息丢失
使用gpu

（代码中给出的AttentionOnAttention和Attention模块完全一样，只是Attention多了个单通道输入选项）
直接给出采样子块大小h2×w2，以及frame_size帧大小（划分步长），对于每个样本先计算locs_array（也就是图像中需要采样的位置数组），计算AoAs特征，基于1-AoAs值来选择目标区域，然后对每个目标区域进行注意力特征计算，再次采样得到子图像子块， 将子块输入到特征提取器中获取子特征，并基于权重参数计算期望值。累积所有子特征并结合目标样本数量和 AOAs 值计算最终累积特征

10折交叉验证（10-Fold Cross-Validation）：其基本思想是将原始数据集划分为10个大小相等（或尽可能接近相等）的部分，然后进行如下操作：

1. 划分数据：将整个数据集分成10个子集（fold），每个子集包含原始数据的约1/10。

2. 训练与验证循环：对于每一个子集，将其作为验证集，其余9个子集合并作为训练集。

3. 模型训练：在当前的训练集上训练模型。

4. 模型评估：使用保留的验证集评估模型性能，通常记录下如准确率、精度、召回率、F1值或者任何其他相关的评估指标。

5. 重复步骤：对所有10个子集都执行以上步骤，确保每个子集都有机会作为验证集被测试一次。

6. 综合结果：最后，将每次验证的结果汇总平均，得到模型在整体数据上的估计性能。

通过10折交叉验证，可以更可靠地评估模型在未见过的数据上的泛化能力，因为它让模型有机会接触到数据集的所有部分，并且减少了随机性带来的影响。

Colon Cancer

10折交叉验证（不带对比学习N=10）

10折交叉验证（带对比学习N=10）

N=5

N=50

λ=1.0

λ=0

采用Tanh而非Relu