UltraLightSqueezeNet：用于资源受限设备的脑膜虫分类深度学习架构，参数数量最高可减少54倍
摘要
针对资源受限环境中脑膜虫检测的潜在提升效益，人们关注轻量级深度学习方法。本研究选取 SqueezeNet1.1 作为基线模型，因为它是目前最流行的轻量级架构之一。SqueezeNet1.1 是 SqueezeNet1.0 的后续版本，是原始模型的2.4倍计算效率。我们提出并实现了三个超轻量级架构变体，分别为变体1(一个 fire 模块)、变体2(两个 fire 模块)和变体3(四个 fire 模块)，比 SqueezeNetV1.1(八个 fire 模块)更紧凑。这些模型用于评估在不牺牲精度的情况下实现最佳计算效率的变体，以实现脑膜虫血细胞分类。模型使用 NIH 脑膜虫数据集进行训练和评估。我们根据准确率、召回率、精确率、F1 分数和曲线下面积(AUC)等指标评估每个模型的性能。结果显示，SqueezeNet1.1 模型在所有指标上表现最佳，分类准确率达97.12%。变体3(四个 fire 模块)提供了可竞争的替代方案，几乎以相同的结果(准确率96.55%)实现了相较于 SqueezeNet1.1 的6倍计算开销降低。变体2 和变体1 的性能略低于变体3，其中变体2(两个 fire 模块)可实现计算开销的28倍降低，变体1(一个 fire 模块)可实现相较于 SqueezeNet1.1 的54倍可训练参数降低。这些发现表明，我们的 SqueezeNet1.1 架构变体为脑膜虫检测提供了灵活的方案，使能够选择在资源约束与性能之间进行权衡的变体。
关键词
引用
@article{arxiv.2501.14172,
title = {UltraLightSqueezeNet: A Deep Learning Architecture for Malaria Classification with up to 54x fewer trainable parameters for resource constrained devices},
author = {Suresh Babu Nettur and Shanthi Karpurapu and Unnati Nettur and Likhit Sagar Gajja and Sravanthy Myneni and Akhil Dusi and Lalithya Posham},
journal= {arXiv preprint arXiv:2501.14172},
year = {2025}
}
备注
Corresponding authors: Shanthi Karpurapu ([email protected]), Suresh Babu Nettur ([email protected]) Shanthi Karpurapu and Suresh Babu Nettur are co-first authors