CoV-TI-Net: Transferred Initialization with Modified End Layer for COVID-19 Diagnosis

要約

このホワイト ペーパーでは、COVID-19 診断用に修正された完全に接続されたレイヤーを使用した転送初期化を提案します。
畳み込みニューラル ネットワーク (CNN) は、画像分類において目覚ましい成果を上げました。
ただし、高性能モデルのトレーニングは、画像認識アプリケーションが複雑であるため、非常に複雑で時間のかかるプロセスです。
一方、転移学習は比較的新しい学習方法であり、より少ない計算で優れたパフォーマンスを達成するために多くの分野で採用されています。
この研究では、PyTorch の事前トレーニング済みモデル (VGG19\_bn および WideResNet -101) が、初期化として初めて MNIST データセットに適用され、完全に接続されたレイヤーが変更されます。
採用された PyTorch の事前トレーニング済みモデルは、以前に ImageNet でトレーニングされています。
提案されたモデルは、Kaggle ノートブックで開発および検証され、ネットワークのトレーニング プロセス中に膨大な計算時間を費やすことなく、99.77% という優れた精度に達しました。
同じ方法論を SIIM-FISABIO-RSNA COVID-19 検出データセットにも適用し、80.01% の精度を達成しました。
対照的に、以前の方法では、高性能モデルに到達するためにトレーニング プロセス中に膨大な圧縮時間を必要とします。
コードは次のリンクから入手できます: github.com/dipuk0506/SpinalNet

要約(オリジナル)

This paper proposes transferred initialization with modified fully connected layers for COVID-19 diagnosis. Convolutional neural networks (CNN) achieved a remarkable result in image classification. However, training a high-performing model is a very complicated and time-consuming process because of the complexity of image recognition applications. On the other hand, transfer learning is a relatively new learning method that has been employed in many sectors to achieve good performance with fewer computations. In this research, the PyTorch pre-trained models (VGG19\_bn and WideResNet -101) are applied in the MNIST dataset for the first time as initialization and with modified fully connected layers. The employed PyTorch pre-trained models were previously trained in ImageNet. The proposed model is developed and verified in the Kaggle notebook, and it reached the outstanding accuracy of 99.77% without taking a huge computational time during the training process of the network. We also applied the same methodology to the SIIM-FISABIO-RSNA COVID-19 Detection dataset and achieved 80.01% accuracy. In contrast, the previous methods need a huge compactional time during the training process to reach a high-performing model. Codes are available at the following link: github.com/dipuk0506/SpinalNet

arxiv情報

提供元, 利用サービス

arxiv.jp, Google