基于迁移学习的改进EfficientNet网络的皮肤病分类研究

针对目前皮肤病辅助分类技术所应用的网络模型参数量大、分类准确率不高的问题,提出了一种基于迁移学习的改进EfficientNet皮肤病分类方法。该方法应用迁移学习思想对轻量级深度卷积神经网络EfficientNet进行改进,具体包括添加全局平均池化层、冻结不同层数等对模型进行微调,形成TL-EfficientNet网络。实验结果表明,TL-EfficientNetB0在经类别权重预处理后的ISIC2018皮肤病数据集上的准确率达到85.07%,Macro_P达到0.82,网络参数只有4.49 M,适合部署到移动端。

基于改进的卷积神经网络的太阳射电频谱图像分类

剧烈的太阳射电爆发可能破坏通信设施和导航设备.随着高性能观测设备的投入,太阳数据呈现海量增长趋势,因此如何应用深度学习技术进行太阳射电频谱图像研究日益得到关注.实验在应用图像处理技术对图像进行处理后,通过调整卷积核和激活函数对卷积神经网络进行改进,实现对太阳射电爆发中Ⅲ、Ⅳ和其他类型的分类.实验结果表明在应用多层卷积神经网络进行分类时激活函数采用ELU函数比用ReLU函数更稳定.