针对单卷积神经网络模型难以保证皮肤镜图像识别结果的完全正确性及泛化性较弱的问题,从图像识别的角度研究常见皮肤病的多模型融合分类识别方法。首先,为了降低皮肤镜图像数据集样本分布不均的问题,进行了数据增强;其次,以准确率为标准...针对单卷积神经网络模型难以保证皮肤镜图像识别结果的完全正确性及泛化性较弱的问题,从图像识别的角度研究常见皮肤病的多模型融合分类识别方法。首先,为了降低皮肤镜图像数据集样本分布不均的问题,进行了数据增强;其次,以准确率为标准对AlexNet、Visual Geometry Group Network、Residual Network进行了筛选,选择符合模型融合需求的卷积神经网络;最后,利用引入权重矩阵的方法进行多模型融合。融合模型在常见皮肤病的图像识别方面的精准度可达99.62%。其应用效果优于单卷积神经网络模型。展开更多
文摘针对单卷积神经网络模型难以保证皮肤镜图像识别结果的完全正确性及泛化性较弱的问题,从图像识别的角度研究常见皮肤病的多模型融合分类识别方法。首先,为了降低皮肤镜图像数据集样本分布不均的问题,进行了数据增强;其次,以准确率为标准对AlexNet、Visual Geometry Group Network、Residual Network进行了筛选,选择符合模型融合需求的卷积神经网络;最后,利用引入权重矩阵的方法进行多模型融合。融合模型在常见皮肤病的图像识别方面的精准度可达99.62%。其应用效果优于单卷积神经网络模型。
