设计一种基于改进深度学习的胸片COVID-19识别模型:知识蒸馏方法
图像与视频处理
2023-09-06 v2 计算机视觉与模式识别
摘要
COVID-19已在多个方面对人类和社会造成不利影响。许多人因COVID-19识别不准确而未能获得适当医疗救治,进而死亡。全球研究人员已探讨众多基于手动与自动特征提取技术的解决方案以应对该问题。通常,自动特征提取方法尤其是深度学习模型需要强大的硬件系统来执行必要计算。遗憾的是,由于高质量硬件设备成本高昂,许多机构与社会无法从这些进展中受益。因此,本研究聚焦两个主要目标:其一,降低在所提模型于嵌入式设备、移动设备与传统计算机上运行相关的计算成本;其二,相较已发表方法提升模型性能(至少与SOTA模型相当),以确保其在医学识别任务中的性能与准确性。本研究使用VGG19与ResNet50V2两个神经网络以改进数据集特征提取,二者均能提供的语义特征。为此,考虑另一网络MobileNetV2,其擅长提取语义特征且所需计算量极小。采用知识蒸馏(KD)将知识从教师网络(级联的ResNet50V2与VGG19)迁移至学生网络(MobileNetV2),以提升MobileNetV2性能,并获得用于胸片COVID-19识别任务的鲁棒且准确模型。
引用
@article{arxiv.2301.02735,
title = {Designing an Improved Deep Learning-based Model for COVID-19 Recognition in Chest X-ray Images: A Knowledge Distillation Approach},
author = {AmirReza BabaAhmadi and Sahar Khalafi and Masoud ShariatPanahi and Moosa Ayati},
journal= {arXiv preprint arXiv:2301.02735},
year = {2023}
}
备注
25 pages, 3 figures , 5 tables