A pneumonia detection system based on MobileNetv2 network and model callback
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This study focuses on automatically classifying radiographic images of the chest region into standard classification, COVID-19 classification, and viral pneumonia classification by utilizing complex neural networks. Using a chest radiograph dataset from the academic bastion Université de Montréal, the study introduces an innovative paradigm rooted in MobileNetV2. We conducted a comparative analysis to evaluate the efficacy of this avant-garde model by juxtaposing it with the typical DenseNet121 and RESNET50 popular in the field of medical image classification. This exploration revealed MobileNetV2 as an ingenious model distinguished by its tiny scale and commendable accuracy. Using DW convolution design greatly reduces the computational complexity and parameter count. Regarding the composition of the architecture, transfer learning is used to attach global mean pooling and fully connected layers on top of MobileNetV2, and is customized for nuanced tripartite classification work. Comparative evaluation shows that the MobileNetV2 model has only 2,643,187 parameters, completes training in just 37 seconds, and has an accuracy of 98.48%. In contrast, although DenseNet121 and RESNET50 demonstrate commendable proficiency, their large model dimensions and lengthy training intervals limit their usefulness in resource-limited environments. The findings highlight the superior performance of the MobileNetV2 model in the field of chest X-ray classification, providing a simplified and efficient alternative for deployment on mobile and embedded devices.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découle