论文摘要
针对传统卷积神经网络的结构参数量大,识别率较低等问题,提出利用一种轻量级模型结构MobileNet V2与超限学习机(ELM)相结合的方法对肝硬化进行识别。首先,采用迁移学习的方法,在ImageNet数据集上进行预训练后得到权重和参数,避免数据产生过拟合现象。为提高识别肝硬化准确率,将模型的全连接层特征以向量形式输出,送入ELM进行分类,替代原有的softmax分类器。实验结果表明,该方法识别率高于当前的仅使用深度学习或者机器学习等方法且运算速率较高。
论文目录
文章来源
类型: 期刊论文
作者: 刘梦伦,赵希梅,魏宾
关键词: 轻量级模型,超限学习机,迁移学习
来源: 青岛大学学报(自然科学版) 2019年04期
年度: 2019
分类: 基础科学,医药卫生科技,信息科技
专业: 消化系统疾病,计算机软件及计算机应用
单位: 青岛大学计算机科学技术学院,山东省数字医学与计算机辅助手术重点实验室
基金: 国家自然科学基金(批准号：61303079)资助
分类号: R575.2;TP391.41
页码: 17-21
总页数: 5
文件大小: 826K
下载量: 157