图像分类中的深度学习：评估VGG19在复杂视觉数据上的性能
计算机视觉与模式识别
2024-12-31 v1 机器学习
摘要
本研究旨在探索基于VGG19深度卷积神经网络的肺炎X光片图像自动分类方法，并通过与SVM、XGBoost、MLP和ResNet50等经典模型进行比较来评估其在肺炎诊断中的应用效果。实验结果表明，VGG19在多个指标上表现良好，包括准确率(92%)、AUC(0.95)、F1分数(0.90)和召回率(0.87)，优于其他对比模型，尤其在图像特征提取和分类准确率方面表现突出。虽然ResNet50在某些指标上也表现良好，但在召回率和F1分数方面略逊于VGG19。传统机器学习模型SVM和XGBoost在图像分类任务中表现有限，尤其是在复杂医学图像分析任务中，性能相对平淡。研究结果表明，深度学习，特别是卷积神经网络，在医学图像分类任务中具有显著优势，尤其是在肺炎X光片图像分析方面，能够提供高效且准确的自动诊断支持。这项研究为早期肺炎检测、自动诊断系统的开发以及推动自动化医学图像处理技术的应用与发展提供了坚实的技术支持。
引用
@article{arxiv.2412.20345,
title = {Deep Learning in Image Classification: Evaluating VGG19's Performance on Complex Visual Data},
author = {Weijie He and Tong Zhou and Yanlin Xiang and Yang Lin and Jiacheng Hu and Runyuan Bao},
journal= {arXiv preprint arXiv:2412.20345},
year = {2024}
}