Comparison of COVID-19 Classification via Imagenet-Based and RadImagenet-Based Transfer Learning Models with Random Frame Selection
Notice bibliographique
Résumé
Transfer learning methods are used in lung ultrasound (US) video classification as the training data for learning is generally limited. However, transfer learning models trained on the ImageNet dataset have been considered in the literature. Recently, the RadImageNet dataset, which contains medical images, was made available with four pre-trained models. In this work, pretrained models from both of these datasets are used as the backbone network, and models are developed for COVID-19 classification based on frames and videos. Random frame selection method is proposed and compared with the commonly used constant and non-adjacent frame selections. Video classification based on selected frames (VCBSF), and video classification based on the whole video (VCBWV) using voting are studied as part of video classification approach. A publicly available COVID-19 dataset is used to do this comparative study. The pre-trained models using the ImageNet dataset outperformed those using the RadImageNet dataset for frame classification. The ResNet50 and DenseNet121 models using ImageNet outperformed their counterparts using RadImageNet for VCBSF classification, while the Inception_ResNet_V2 and Inception_V3 models using RadImageNet performed better for VCBWV classification. These findings provide insight into improving the accuracy of COVID-19 detection using deep learning techniques and random frame selection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».