轻量级卷积神经网络 (CNN) 模型用于使用热图进行肥胖早期检测
Hendrik Leo1, Khairun Saddami2,3, Roslidar2
1Postgraduate School of Engineering, Universitas Syiah Kuala, Banda Aceh, Indonesia.
Digital health
|August 28, 2024
概括
一个新的轻量级卷积神经网络 (CNN) 模型为移动应用程序提供了准确的早期肥胖检测. 这种模型平衡了高精度与降低复杂度,超过了现有的MobileNetV2并接近DenseNet的性能.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 早期发现肥胖对公共卫生至关重要,尤其是移动健康应用程序.
- 现有的卷积神经网络 (CNN) 模型用于肥胖检测通常优先考虑精度而不是计算复杂性.
- 需要轻量级的CNN模型,适合移动设备等资源有限的环境.
研究的目的:
- 开发一种新的轻量级CNN模型,用于准确分类正常和肥胖的温度计.
- 为了尽量减少模型的复杂性 (大小和计算成本),同时保持高的分类准确性.
- 为了在基于移动的应用程序中提前检测肥胖症.
主要方法:
- 修改了DenseNet201架构,通过整合MobileNet的深度和点向卷.
- 减少了密集区块网络的深度,以优化性能和降低复杂性.
- 使用分类准确度,模型大小和计算成本,将拟议的模型与DenseNet和MobileNetV2进行比较.
主要成果:
- 拟议的模型实现了81.54%的准确性,其紧型号大小为1.44 MB.
- 它的准确性与DenseNet (83.08%) 相似,但模型大小明显较小 (1.44 MB与71.77 MB相比).
- 该模型的准确性超过了MobileNetV2 (79.23%),计算成本类似 (0.69 GFLOPS与0.59 GFLOPS).
结论:
- 开发的轻量级CNN模型有效地将DenseNet201的特征提取能力与MobileNet的效率相结合.
- 该模型提供了一个可行的解决方案,用于在移动应用程序中早期检测肥胖症,因为它的高准确性和低复杂性.
- 这些发现表明,开发高效的人工智能驱动的健康监测工具是一个有希望的方向.
