10.16055/j.issn.1672-058X.2023.0004.005
基于改进ConvNeXt的COVID-19胸部图像分类
针对新型冠状病毒感染胸部X-ray图像分类任务数据集样本过少,现有的两阶段分类器和三阶段分类器模型对高纬度的图像特征提取效果差,模型训练慢等问题,提出一种基于ConvNeXt卷积神经网络改进的分类任务算法ConvNeXt-AT.ConvNeXt-AT分类模型首先通过在ConvNeXt Block层添加混合域注意力机制CBAM来提高图像特征提取能力,不仅考虑了通道间的信息交互能力还考虑到了空间域上像素间的联系,得到ConvNeXt-AT模型;然后针对X-ray图片常见的泊松噪声使用全变差正则化方法对数据集进行降噪处理;最后在COVID-19公开的大型数据集共21165张图片进行对比实验.实验结果表明,在训练数据集充分的情况下,改进的ConvNeXt-AT模型相较于常用分类模型ResNet-50、MobileNet,EfficientNet以及原ConvNeXt-T在准确率上分别提升了 2％、2.7％、2.1％、1.9％.最后通过Grad-CAM显示类激活图的图像可视化方法证明改进方法是可行的,模型具有很好的鲁棒性.
COVID-19、ConvNeXt-AT、图像分类、注意力机制
40
TP391.4(计算技术、计算机技术)
安徽省自然科学基金;安徽省自然科学基金;安徽高校与人工智能研究院协同创新项目
2023-09-19（万方平台首次上网日期，不代表论文的发表时间）
共6页
35-40
