InceptionCapsule：用于医学图像分类的基于自注意力的 Inception-Resnet 与 CapsuleNet
图像与视频处理
2024-02-07 v1 计算机视觉与模式识别
机器学习
摘要
初始权重在深度神经网络中非常重要，因为随机选择权重会产生不同的输出并增加过拟合和欠拟合的概率。另一方面，用于提取向量特征的基于向量的方法需要丰富的向量以实现更准确的分类。提出 InceptionCapsule 方法以缓解这两个问题。该方法使用迁移学习和 Inception-ResNet 模型来避免随机选择权重，该模型从 ImageNet 获取初始权重。它还使用 Inception 中间层的输出来生成丰富的向量。提取的向量被提供给配备注意力技术的胶囊网络进行学习。使用 Kvasir 数据和带有 GT 数据集的 BUSI 来评估该方法。该模型在 5 类分类中实现了 97.62 的准确率，并在 Kvasir 上的 8 类分类中实现了 94.30 的准确率。在带有 GT 数据集的 BUSI 中，所提出的方法实现了准确率=98.88、精确率=95.34 和 F1分数=93.74，与文献中的其他方法相比，这些是可接受的结果。
引用
@article{arxiv.2402.02274,
title = {InceptionCapsule: Inception-Resnet and CapsuleNet with self-attention for medical image Classification},
author = {Elham Sadeghnezhad and Sajjad Salem},
journal= {arXiv preprint arXiv:2402.02274},
year = {2024}
}