Python Tensorflow-基于多个图像作为输入进行分类，而不是单个图像

我正在建立CNN，它会告诉我一个人是否有脑损伤。我计划使用模型和脚本来构建TFRecord

数据集由大脑扫描组成。每次扫描大约有100张图像（不同的头部姿势、角度）。在某些图像上，损坏是可见的，但在某些图像上则不可见。我不能将扫描中的所有图像标记为损伤阳性（或阴性），因为其中一些图像可能标记错误（如果扫描结果为损伤阳性，但在特定图像上不可见）

是否有办法将整个扫描标记为正/负，并以此方式训练网络？

---

培训完成后，将扫描作为输入传递到网络（而不是单个图像）并对其进行分类。

看来多实例学习可能是您的方法。看看这两份文件：

最后一个由@dancsalo实现（不确定他是否有堆栈溢出帐户）

看起来第二篇文章处理的是非常大的图像，并将它们分为子图像，但标记了整个图像。因此，这就像给一袋图像贴上标签，而不必为每个子图像制作标签。在您的情况下，您可能能够构建一个图像矩阵，即每个扫描的10图像x 10图像主图像

---

让我们知道您是否这样做，以及它是否在您的数据集上运行良好

看来多实例学习可能是您的方法。看看这两份文件：

最后一个由@dancsalo实现（不确定他是否有堆栈溢出帐户）

看起来第二篇文章处理的是非常大的图像，并将它们分为子图像，但标记了整个图像。因此，这就像给一袋图像贴上标签，而不必为每个子图像制作标签。在您的情况下，您可能能够构建一个图像矩阵，即每个扫描的10图像x 10图像主图像

让我们知道您是否这样做，以及它是否在您的数据集上运行良好