自适应学习中基于CNN和IIDLA的图像识别方法研究

近年来计算机辅助医学进行影像诊断逐渐成了该领域的研究热点,为了更好地对医学图像特征进行分类与识别,研究以自适应学习为背景,提出一种融合卷积神经网络与改进迭代深度学习的图像识别方法。过程中引入随机化融合改进卷积神经网络,以应对医学图像的多模态特征提取,并结合改进迭代深度学习避免图像数据信息丢失,最终完成对图像信息的识别。结果显示,研究方法在训练集与验证集上进行实验,当迭代进行到第28次与第17次时,系统便开始趋于稳定,对应得到损失函数值分别为0.0124与0.0112。当四种算法的精准率为0.900时,得到的改进型深度学习模型、LeNet-5CNN模型、IYolo-v5模型以及研究方法对应的召回率分别为0.6232、0.5791、0.6774与0.8369。研究方法对5种疾病的识别准确率均明显高于95%。以上结果表示研究方法具有较快的收敛速度与精度,同时能够被广泛应用于多种类型疾病的图像诊断识别当中。