基于堆叠集成的 COVID-19 分类：一项综合分析
计算机视觉与模式识别
2021-08-10 v3 机器学习
图像与视频处理
摘要
COVID-19 问题日益严重，死亡率极高，这导致 WHO 宣布其为大流行病。在此情形下，进行高效且快速的诊断至关重要。逆转录聚合酶链反应（RTPCR）检测用于检测 SARS-CoV-2 的存在。该检测耗时较长，而胸部 CT（或胸部 X 光）可用于快速且准确的诊断。自动诊断被认为十分重要，因其减少了人力投入并提供了准确且低成本的检测。我们研究的贡献有三方面。首先，旨在分析从 Inception 到 NAS 网络等多种视觉模型在适当微调过程中的行为与性能。其次，通过绘制各网络的 CAM 并借助 AUCROC 曲线确定分类性能，对这些模型的行为进行可视化分析。第三，引入堆叠集成技术，在组合微调模型时提供更高的泛化能力，其中通过组合现有微调网络设计了六个集成神经网络。应用这些堆叠集成显著提升了模型的泛化能力。通过组合所有微调网络设计的集成模型获得了 99.17% 的 SOTA 准确率。COVID-19 类的精确率与召回率分别为 99.99% 和 89.79%，这体现了堆叠集成的鲁棒性。
引用
@article{arxiv.2010.05690,
title = {COVID-19 Classification Using Staked Ensembles: A Comprehensive Analysis},
author = {Lalith Bharadwaj B and Rohit Boddeda and Sai Vardhan K and Madhu G},
journal= {arXiv preprint arXiv:2010.05690},
year = {2021}
}
备注
This paper has serious technical concerns. The diagnostic model which was built is inaccurate and the results are flawed