[论文解读] A Comparative Analysis of CNN-Based Pretrained Models for the Detection and Prediction of Monkeypox
该论文评估多种基于CNN的预训练模型以及多数投票集成在多对类别的猴痘检测中的表现，报道某些模型和该集成具有显著性能。
Monkeypox is a rare disease that raised concern among medical specialists following the convi-19 pandemic. It's concerning since monkeypox is difficult to diagnose early on because of symptoms that are similar to chickenpox and measles. Furthermore, because this is a rare condition, there is a knowledge gap among healthcare professionals. As a result, there is an urgent need for a novel technique to combat and anticipate the disease in the early phases of individual virus infection. Multiple CNN-based pre-trained models, including VGG-16, VGG-19, Restnet50, Inception-V3, Densnet, Xception, MobileNetV2, Alexnet, Lenet, and majority Voting, were employed in classification in this study. For this study, multiple data sets were combined, such as monkeypox vs chickenpox, monkeypox versus measles, monkeypox versus normal, and monkeypox versus all diseases. Majority voting performed 97% in monkeypox vs chickenpox, Xception achieved 79% in monkeypox against measles, MobileNetV2 scored 96% in monkeypox vs normal, and Lenet performed 80% in monkeypox versus all.
研究动机与目标
- 解决早期猴痘检测与预测对自动化工具的紧迫需求。
- 比较多种基于CNN的预训练模型在猴痘相关分类任务上的性能。
- 确定哪些架构和集成方法在猴痘与相似疾病之间提供最强的辨别能力。
提出的方法
- 将CNN预训练模型（VGG-16、VGG-19、Restnet50、Inception-V3、Densnet、Xception、MobileNetV2、Alexnet、Lenet）应用于猴痘分类任务。
- 将多数投票作为集合方法来汇总模型决策。
- 在包含猴痘对水痘、猴痘对麻疹、猴痘对正常以及猴痘对所有疾病的数据集上评估模型。
- 报道各模型在不同场景下的分类性能。
- 利用基于CNN的标准迁移学习，而不详述新的架构变更。
实验结果
研究问题
- RQ1哪些基于CNN的预训练架构最能将猴痘与水痘、麻疹和正常情况区分？
- RQ2在不同疾病对比中，集成多数投票方法是否提高了猴痘检测？
- RQ3在猴痘分类任务中，常见架构（如 VGG、Inception、Xception、MobileNet）彼此相比的性能如何？
- RQ4在与相似疾病比较时，预训练CNN用于检测猴痘的相对优势与局限性是什么？
主要发现
- 多数投票在猴痘 vs 水痘的对比中达到97%的准确率。
- Xception在猴痘 vs 麻疹中达到79%的准确率。
- MobileNetV2在猴痘 vs 正常中达到96%的准确率。
- Lenet在猴痘 vs 全部数据中达到80%的准确率。
- 其他模型在不同类别对的组合上在各数据集上表现不一。
- 该研究凸显了预训练CNN和集成方法在快速猴痘检测中的潜力。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。