不同批量大小参数对 COVID19 病例预测的影响
图像与视频处理
2020-12-11 v1 计算机视觉与模式识别
机器学习
摘要
2019 新型冠状病毒（亦称 COVID19）是一种自 2019 年 12 月以来已致数千乃至数百万人死亡的重特大传染病，并于 2020 年 3 月被世界卫生组织定义为大流行。据称该病毒通常经喷嚏或咳嗽产生的飞沫，或接触受污染表面传播。病毒存在与否通过实时逆转录聚合酶链反应（rRT-PCR）检测，借助鼻或咽拭子确认。此外，X 射线与 CT 成像方法亦用于辅助该检测。鉴于 rRT-PCR 检测准确率灵敏度偏低，辅助诊断方法地位十分重要。计算机辅助诊断与检测系统尤借 X 射线与 CT 图像得以发展。文献中有关 COVID19 检测的研究与日俱增。本研究使用分属 4 类（病毒性肺炎、COVID19、正常、细菌性肺炎）的数据，考察不同批量大小（BH=3、10、20、30、40 与 50）参数值对其检测 COVID19 及其他类别性能的影响。研究采用预训练的 ResNet50 卷积神经网络进行。所得结果表明，各模型在训练与测试数据上表现接近。但可见随批量大小值增大，测试数据上稳态出现延迟。COVID19 最高检测率为 BH=3 时的 95.17%，而总体准确率在 BH=20 时达 97.97%。据 findings，可认为批量大小值不显著影响总体性能，但批量大小值增大会延迟稳定结果的获取。
引用
@article{arxiv.2012.05534,
title = {Effect of Different Batch Size Parameters on Predicting of COVID19 Cases},
author = {Ali Narin and Ziynet Pamuk},
journal= {arXiv preprint arXiv:2012.05534},
year = {2020}
}
备注
Presented for International Conference on Artificial Intelligence towards Industry 4.0 (ICAII4.0 2020)