基于浅层卷积神经网络的红细胞图像疟疾检测
图像与视频处理
2020-10-23 v1 计算机视觉与模式识别
摘要
VGG-16 和 Resnet-50 等深度学习模型的出现极大地革新了图像分类领域，通过使用这些卷积神经网络（CNN）架构，人们可以在多种图像数据集上获得很高的分类准确率。然而，这些深度学习模型具有极高的计算复杂度，因此不仅运行这些算法会产生高昂的计算成本，而且难以解释其结果。在本文中，我们提出了一种浅层 CNN 架构，在疟疾检测的薄血涂片红细胞幻灯片图像上，其分类准确率与 VGG-16 和 Resnet-50 模型相同，同时将计算运行时间降低了一个数量级。这可以为这些算法的商业部署带来显著优势，特别是在非洲较贫穷国家和印度次大陆部分地区等疟疾危害相当严重的地区。
引用
@article{arxiv.2010.11521,
title = {Malaria detection from RBC images using shallow Convolutional Neural Networks},
author = {Subrata Sarkar and Rati Sharma and Kushal Shah},
journal= {arXiv preprint arXiv:2010.11521},
year = {2020}
}
备注
8 pages, 4 figures, 1 table