FSCNN: Fuzzy Channel Filter-Based Separable Convolution Neural Networks for Medical Imaging Recognition
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
Intraclass heterogeneity of medical diagnostic objects poses a challenge for accurate intraclass classification of medical fine-grained images (MFGIs) within deep learning. To accurately classify MFGIs, we propose a novel approach termed fuzzy channel filter-based separable convolution neural networks (FSCNN). The original design of FSCNN comprises the following components: 1) Designing the fuzzy channel filter (FCF) module, devised to establish long-distance feature dependencies for each feature channel with the input image by formulating fuzzy rules “IF–THEN”. 2) The FCF-based separable convolution (FSC) block uses depth-wise and point-wise convolutions to extract and mix feature channels. Then, the internal information of each feature channel is reintegrated through fuzzy weighted averaging in FCF to enhance fine-grained feature information. 3) Creating the deep fuzzy learning architecture FSCNN through the superimposition of FSC blocks. This architectural arrangement enables more effective learning of fine-grained feature distinctions within MFGIs, thereby enhancing classification accuracy. Compared to other advanced fine-grained classification models, including state-of-the-art models, our model outperforms by 2%–6% and 3%–9% on brain MRI and pneumonia CT datasets, respectively.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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