用于更精确医学图像分类的高效、快速且内存节省的压缩多功能卷积神经网络
计算机视觉与模式识别
2018-11-30 v1
摘要
卷积神经网络（CNNs）通常对所有卷积层使用相同的激活函数，例如 RELU。仅使用 RELU 存在性能局限。为获得更好的分类性能、减少训练与测试时间并降低功耗与内存占用，我们开发了一种新的“压缩多功能 CNN”。例如，谷歌的 Inception-V4 是一个非常深的 CNN，由 4 个 Inception-A 模块、7 个 Inception-B 模块和 3 个 Inception-C 模块组成，所有卷积层均使用 RELU。我们创建了一种可使用不同激活函数的新的“压缩多功能 Inception-V4”（CMI），其具有 k 个 Inception-A 模块、m 个 Inception-B 模块和 n 个 Inception-C 模块，其中 k 属于 {1, 2, 3, 4}，m 属于 {1, 2, 3, 4, 5, 6, 7}，n 属于 {1, 2, 3}，且 (k+m+n)<14。为进行性能分析，使用一个将脑 MRI 图像分类为阿尔茨海默病四个阶段之一的数据集，在 F1 分数、训练与测试时间（与功耗相关）以及内存占用（模型大小）方面比较三种 CMI 架构与 Inception-V4。总体而言，仿真表明新的 CMI 模型优于常用的 Inception-V4 以及使用不同激活函数的 Inception-V4。未来，将开发其他“压缩多功能 CNN”，例如“压缩多功能 ResNets 和 DenseNets”，其通过减少使用不同激活函数的卷积模块数量，以进一步提升分类精度、减少训练与测试时间、降低计算功耗与内存占用（模型大小），从而构建更有效的医疗系统，例如在电池电量与内存受限的移动设备上实现准确便捷的疾病诊断系统。
引用
@article{arxiv.1811.11996,
title = {Effective, Fast, and Memory-Efficient Compressed Multi-function Convolutional Neural Networks for More Accurate Medical Image Classification},
author = {Luna M. Zhang},
journal= {arXiv preprint arXiv:1811.11996},
year = {2018}
}