面向医疗的卷积神经网络中不同随机激活层选择方法的比较
计算机视觉与模式识别
2020-11-25 v1 人工智能
摘要
生物图像分类是一项重要任务，在细胞表型识别、细胞器检测和组织病理学分类等诸多领域有关键应用，并有助于早期医学诊断，实现无需人类专家的自动疾病分类。本文使用神经网络集成对生物医学图像进行分类。我们使用 ResNet50 架构构建该集成，并通过将 ReLU 替换为其他函数来修改其激活层。我们在以下激活函数中选取：ReLU、leaky ReLU、Parametric ReLU、ELU、Adaptive Piecewice Linear Unit、S-Shaped ReLU、Swish、Mish、Mexican Linear Unit、Gaussian Linear Unit、Parametric Deformable Linear Unit、Soft Root Sign (SRS) 等。作为基线，我们使用仅采用 ReLU 激活的神经网络集成。我们在多个中小型生物医学图像数据集上测试了我们的网络。我们的结果表明，我们的最佳集成取得了优于朴素方法的性能。为了促进本工作的可复现性，所有实验的 MATLAB 代码将在 https://github.com/LorisNanni 分享。
引用
@article{arxiv.2011.11834,
title = {Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare},
author = {Loris Nanni and Alessandra Lumini and Stefano Ghidoni and Gianluca Maguolo},
journal= {arXiv preprint arXiv:2011.11834},
year = {2020}
}