27、深度学习在肺炎诊断与道路粗糙度评估中的应用

深度学习在肺炎诊断与道路粗糙度评估中的应用

肺炎诊断模型研究

Xception架构

Xception架构由输入流、中间流和输出流构成。输入流是数据输入的初始步骤，之后数据经过迭代八次的中间流，最后通过输出流。该模型采用深度可分离卷积原理，将卷积分为深度卷积和逐点卷积两个不同操作。深度卷积为每个输入通道使用单个滤波器，逐点卷积则使用1×1卷积组合深度卷积的输出。这种方式参数更少，特征表示能力更强，能分别记录空间和通道关系，在计算机视觉任务中表现出色，常用于目标识别和图像分类。

迁移学习与微调

迁移学习是一种强大的技术，可让为一个任务训练的模型用于加速另一个相关任务的学习。在训练数据较少的应用中，迁移学习能使模型利用相关任务的信息，在目标任务上表现更好。像InceptionV3、MobileNetV2和Xception等预训练模型，是在包含120万张图像、1000个类别的ImageNet数据集上训练的。通过迁移学习可增强模型的泛化能力，在训练前从预训练的ImageNet权重中获取卷积层权重，而网络的分类器部分则从头开始训练。在模型训练和微调过程中，使用的超参数有批量大小、轮数、丢弃率、学习率等，通过试错法获得理想的超参数。

集成学习

采用加权平均集成方法对InceptionV3、MobileNetV2和Xception模型架构进行集成。该方法是获取所有模型的预测结果，计算其平均得分，以此确定最终预测。假设有N个不同模型，都使用相同数据集训练，每个集成模型对新输入实例进行预测，分别记为y1, y2, …, yn，w1, w2, …, wn为各模型的权重，最终预测公式为：
[y = \frac{w1 * y