基于改进Inception-ResNet-v2的儿童肺炎识别与分类
针对儿童肺炎图像难以准确诊断的问题,提出一种基于改进Inception-ResNet-v2的分类识别方法,以提高对不同类型的儿童肺炎图像的识别准确率.以Inception-ResNet-v2为基础网络,引入多尺度通道注意力模块,促进网络识别和检测极端尺度变化下的目标.加大网络stem层的卷积核大小,增大模型初期的有效感受野.为避免模型出现过拟合,减少了激活函数的使用,并使用SiLU激活函数来代替ReLU激活函数.针对数据集Chest X-ray中数据量较少的问题,对输入图像进行一定角度的旋转和随机水平的翻转以增强原始数据.实验结果表明,所提方法在儿童肺炎数据的二分类中准确率达到97.9%,三分类中准确率达到85.8%,证明该方法能够有效提高儿童肺炎的识别精度.
图像处理、儿童肺炎、多尺度通道注意力模块、感受野、激活函数
60
TP391.4(计算技术、计算机技术)
国家自然科学基金;山东省研究生教育质量提升计划项目;山东省医药卫生科技发展计划;党建+新工科+工程教育认证背景下生物医学工程专业研究生创新创业人才培养模式研究;山东省教育厅混合式教学模式下教学管理研究
2023-08-21(万方平台首次上网日期,不代表论文的发表时间)
共8页
77-84