35、基于深度学习的新冠检测与云SaaS攻击检测研究

基于深度学习的新冠检测与云SaaS攻击检测研究

新冠CT图像检测研究

在新冠疫情背景下，利用胸部CT扫描图像进行新冠检测是一个具有重要意义的研究方向。

数据集信息

研究使用的数据集包含2481张胸部CT扫描图像，分为新冠（COVID - 19）和非新冠（Non - COVID - 19）两个类别。其中新冠类有1252张图像，非新冠类有1229张图像。所有CT扫描图像都处于横向解剖平面，因此在这方面几乎不需要进行预处理。具体信息如下表所示：
| 类别名称 | 图像数量 | 示例图像 |
| — | — | — |
| COVID - 19 | 1252 | - |
| Non - COVID - 19 | 1229 | - |

数据增强

数据增强是通过对数据集中的图像进行特定的图像变换，创建每个图像的多个副本，从而人为增加数据集大小的过程。从人类视角来看，每个图像的副本包含相同的上下文信息，但在像素级别上并不相同，因此可以为深度卷积神经网络（DCNN）模型提供更多的训练数据。在fastai库中有多种变换可用，对于该数据集，旋转、水平翻转、光照、缩放和扭曲这些变换效果最佳。以下是对数据集中随机图像应用这些变换的示例：
- 原始图像
- 水平翻转
- 扭曲和光照
- 缩放、旋转和扭曲
- 缩放和光照
- 水平翻转、旋转和扭曲
- 水平翻转和扭曲
- 缩放和光照

模型架构

研究中使用的DCNN模型包括VGG16、VGG19、AlexNet、Resnet18、ResNet34和Re