CoV-TI-Net：用于 COVID-19 诊断的迁移初始化与改进末端层
图像与视频处理
2022-09-21 v1 计算机视觉与模式识别
摘要
本文提出用于 COVID-19 诊断的带改进全连接层的迁移初始化方法。卷积神经网络（CNN）在图像分类中取得了显著成果。然而，由于图像识别应用的复杂性，训练高性能模型是一个极为复杂且耗时的过程。另一方面，迁移学习是一种相对较新的学习方法，已在许多领域用于以更少计算量获得良好性能。本研究中，PyTorch 预训练模型（VGG19_bn 和 WideResNet-101）首次作为初始化应用于 MNIST 数据集，并采用改进的全连接层。所采用的 PyTorch 预训练模型此前在 ImageNet 上训练。所提模型在 Kaggle notebook 中开发并验证，在网络训练过程中未耗费巨大计算时间的情况下达到了 99.77% 的卓越准确率。我们还将相同方法应用于 SIIM-FISABIO-RSNA COVID-19 Detection 数据集，取得了 80.01% 的准确率。相比之下，以往方法在训练过程中需要巨大的计算时间才能达到高性能模型。代码可在以下链接获取：github.com/dipuk0506/SpinalNet
引用
@article{arxiv.2209.09556,
title = {CoV-TI-Net: Transferred Initialization with Modified End Layer for COVID-19 Diagnosis},
author = {Sadia Khanam and Mohammad Reza Chalak Qazani and Subrota Kumar Mondal and H M Dipu Kabir and Abadhan S. Sabyasachi and Houshyar Asadi and Keshav Kumar and Farzin Tabarsinezhad and Shady Mohamed and Abbas Khorsavi and Saeid Nahavandi},
journal= {arXiv preprint arXiv:2209.09556},
year = {2022}
}