論文の概要: Deep Learning in Image Classification: Evaluating VGG19's Performance on Complex Visual Data
- arxiv url: http://arxiv.org/abs/2412.20345v1
- Date: Sun, 29 Dec 2024 04:07:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-31 16:02:33.563860
- Title: Deep Learning in Image Classification: Evaluating VGG19's Performance on Complex Visual Data
- Title(参考訳): 画像分類における深層学習:複雑なビジュアルデータにおけるVGG19の性能評価
- Authors: Weijie He, Tong Zhou, Yanlin Xiang, Yang Lin, Jiacheng Hu, Runyuan Bao,
- Abstract要約: VGG19ディープ畳み込みニューラルネットワークは、SVM、XGBoost、ResNet50といった古典的なモデルと比較される。
VGG19は精度(92%)、AUC(0.95)、F1スコア(0.90)、リコールレート(0.87)などの複数の指標でよく機能し、他の比較モデルよりも優れている。
- 参考スコア(独自算出の注目度): 11.570070267134362
- License:
- Abstract: This study aims to explore the automatic classification method of pneumonia X-ray images based on VGG19 deep convolutional neural network, and evaluate its application effect in pneumonia diagnosis by comparing with classic models such as SVM, XGBoost, MLP, and ResNet50. The experimental results show that VGG19 performs well in multiple indicators such as accuracy (92%), AUC (0.95), F1 score (0.90) and recall rate (0.87), which is better than other comparison models, especially in image feature extraction and classification accuracy. Although ResNet50 performs well in some indicators, it is slightly inferior to VGG19 in recall rate and F1 score. Traditional machine learning models SVM and XGBoost are obviously limited in image classification tasks, especially in complex medical image analysis tasks, and their performance is relatively mediocre. The research results show that deep learning, especially convolutional neural networks, have significant advantages in medical image classification tasks, especially in pneumonia X-ray image analysis, and can provide efficient and accurate automatic diagnosis support. This research provides strong technical support for the early detection of pneumonia and the development of automated diagnosis systems and also lays the foundation for further promoting the application and development of automated medical image processing technology.
- Abstract(参考訳): 本研究は,VGG19深部畳み込みニューラルネットワークに基づく肺炎X線画像の自動分類法について検討し,SVM,XGBoost,MLP,ResNet50などの古典モデルとの比較により,肺炎診断におけるその適用効果を評価することを目的とする。
実験の結果,VGG19の精度(92%),AUC(0.95),F1スコア(0.90),リコールレート(0.87)は,画像特徴抽出や分類精度など,他の比較モデルよりも良好であることがわかった。
ResNet50はいくつかの指標でよく機能するが、リコールレートとF1スコアではVGG19よりわずかに劣る。
従来の機械学習モデルであるSVMとXGBoostは明らかに画像分類タスク、特に複雑な医用画像解析タスクに限られており、その性能は比較的穏やかである。
その結果, 深層学習, 特に畳み込みニューラルネットワークは, 医療画像分類タスク, 特に肺炎X線画像解析において大きな優位性を示し, 効率的かつ正確な自動診断支援を提供することができた。
本研究は、肺炎の早期発見と自動診断システムの開発に強力な技術支援を提供し、また、自動化された医用画像処理技術の適用と開発をさらに促進するための基盤となる。
関連論文リスト
- Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳(メタデータ) (2023-04-18T15:39:58Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳(メタデータ) (2022-06-14T10:16:54Z) - COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。
ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文 参考訳(メタデータ) (2022-05-25T12:01:03Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳(メタデータ) (2022-05-08T15:29:54Z) - COVID-19 Pneumonia and Influenza Pneumonia Detection Using Convolutional
Neural Networks [0.0]
我々は、新型コロナウイルス肺炎、インフルエンザウイルス肺炎、および正常なバイオマーカーの鑑別を支援するコンピュータソリューションを開発した。
その分類性能において、最高の性能モデルでは、検証精度は93%、F1スコアは0.95であった。
論文 参考訳(メタデータ) (2021-12-14T01:59:25Z) - Deep learning for COVID-19 diagnosis based feature selection using
binary differential evolution algorithm [1.332091725929965]
新型コロナウイルスは急速に普及しており、多くの人々の命を奪っている。
深層畳み込みニューラルネットワークは、画像の分類に強力なツールである。
提案手法は,X線画像を用いた新型コロナウイルス検出の最近の研究より優れていることが示された。
論文 参考訳(メタデータ) (2021-04-15T07:12:58Z) - Classification of COVID-19 X-ray Images Using a Combination of Deep and
Handcrafted Features [0.0]
私たちは、X線胸部スキャンから抽出された深い畳み込みと手作業の機能を組み合わせて、健康で一般的な肺炎、およびCOVID-19患者を識別します。
SVM と CNN のハンドクラフト特徴に対して, 0.963 と 0.983 との組み合わせによる分類作業において 0.988 の精度を実現した。
論文 参考訳(メタデータ) (2021-01-19T21:09:46Z) - Classification of COVID-19 in CT Scans using Multi-Source Transfer
Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。
マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。
我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文 参考訳(メタデータ) (2020-09-22T11:53:06Z) - Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of
Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。
VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。
対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文 参考訳(メタデータ) (2020-05-08T02:16:17Z) - Adaptive Feature Selection Guided Deep Forest for COVID-19
Classification with Chest CT [49.09507792800059]
胸部CT画像に基づくCOVID-19分類のための適応的特徴選択ガイド付き深層林(AFS-DF)を提案する。
AFS-DF on COVID-19 data with 1495 patients of COVID-19 and 1027 patients of community acquired pneumonia (CAP)。
論文 参考訳(メタデータ) (2020-05-07T06:00:02Z) - Automated Methods for Detection and Classification Pneumonia based on
X-Ray Images Using Deep Learning [0.0]
Resnet50, MobileNet_V2, Inception_Resnet_V2の微調整版では, トレーニングや検証精度の向上率(精度の96%以上)で高い良好な性能を示した。
CNN、Xception、VGG16、VGG19、Inception_V3、DenseNet201とは異なり、性能は低い(84%以上の精度)。
論文 参考訳(メタデータ) (2020-03-31T16:48:27Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。