颜色分类leetcode PatchCamelion (PCam)被测量的，改进。卡尔皮尔逊PatchCamelyon基准测试是一个新的且具有挑战性的图像分类数据集。它由从淋巴结切片的组织病理学扫描中提取的327,680张彩色图像(96 x 96px)组成。每个图像都用二进制标签进行注释，表明存在转移组织。PCam为机器学习模型提供了一个新的基准：大于CIFAR10，小于imagenet，可在单个GPU上训练。目录为什么选择PCam基本的机器学习进步主要在直接的自然图像分类数据集上进行评估。想想MNIST、CIFAR、SVHN。医学影像正在成为ML的主要应用领域之一，我们相信它值得去到ML数据集的列表上的一个点。既要挑战未来的工作，又要引导发展朝着有利于该领域的方向发展。我们认为PCam可以在这方面发挥作用。它将转移检测的临床相关任务打包成一个直接的二进制图像分类任务，类似于CIFAR-10和MNIST。模型可以在几个小时内在单个GPU上训练完成。