MedElevator
Войти в исследования DOI 10.3389/fcimb.2024.1397316
MpoxNet: двухотраслевая сеть классификации обезьянопокс с помощью механизма внимания.
Аннотация
В то время как мир борется за восстановление после разрушительных последствий широкомасштабного распространения COVID-19, вирус обезьянопокс превратился в новую глобальную пандемию. В настоящем документе предлагается создать высокоточную и легкую классификационную сеть MpoxNet на основе ConvNext для удовлетворения потребности в быстром и безопасном обнаружении классификации обезьянопокс. В соответствии с этим методом разрабатывается двухотраслевой модуль по вопросам остаточного сжимания и возбуждения глубины. Цель этого проекта заключается в том, чтобы получить больше информации о характеристиках с двумя ветками и значительно сократить число параметров в модели путем использования анализа глубины. Кроме того, наш метод вводит в действие модуль композитного внимания для более активного извлечения ключевых элементов в восприимчивом поле. Экспериментальные результаты показывают, что MpoxNet добилась замечательных результатов в классификации обезьянопоксических заболеваний, точность составляет 95,28%, точность - 96,40%, коэффициент отзыва - 93,00%, а F1-Score - 95,80%. Это значительно лучше, чем нынешняя основная модель классификации. Следует отметить, что FLOPS и количество параметров MpoxNet составляют лишь 30,68% и 31,87% от параметров ConvNext-Tiny, что указывает на то, что модель имеет небольшое вычислительное бремя и сложность модели при одновременном повышении эффективности работы.
Название и аннотация на языке оригинала
MpoxNet: dual-branch deep residual squeeze and excitation monkeypox classification network with attention mechanism.
While the world struggles to recover from the devastation wrought by the widespread spread of COVID-19, monkeypox virus has emerged as a new global pandemic threat. In this paper, a high precision and lightweight classification network MpoxNet based on ConvNext is proposed to meet the need of fast and safe detection of monkeypox classification. In this method, a two-branch depth-separable convolution residual Squeeze and Excitation module is designed. This design aims to extract more feature information with two branches, and greatly reduces the number of parameters in the model by using depth-separable convolution. In addition, our method introduces a convolutional attention module to enhance the extraction of key features within the receptive field. The experimental results show that MpoxNet has achieved remarkable results in monkeypox disease classification, the accuracy rate is 95.28%, the precision rate is 96.40%, the recall rate is 93.00%, and the F1-Score is 95.80%. This is significantly better than the current mainstream classification model. It is worth noting that the FLOPS and the number of parameters of MpoxNet are only 30.68% and 31.87% of those of ConvNext-Tiny, indicating that the model has a small computational burden and model complexity while efficient performance.
Предметные рубрики MeSH
Подготовка и перевод публикации
Обработка статьи · этапы, ошибки и управление
Ошибки и ограничения
История · было → стало
Состояние обновляется каждые 5 секунд, пока блок открыт. Процент показывается только там, где известен объём работы. Пауза останавливает продолжение этапа; текущий запрос к источнику может завершиться.
Тип публикации указан по данным источника. Уровень доказательности автоматически не присваивается.