×

用于远程智能舌诊断的深度稀疏转移学习。 (英语) Zbl 1471.92170

摘要:人们正在探索基于人工智能基础设施的即时处理的新思路,其中神经网络的巨大容量和训练数据的缺乏是深层方法广泛应用的主要障碍。为了满足利用边缘计算建立远程智能舌诊断模型的高计算量和低延迟要求,需要一种高效、紧凑的深层神经网络设计,同时克服临床数据不足对其固有诊断模式建模的巨大挑战。为了解决这一难题,在提出的相似稀疏域自适应(SSDA)方法的基础上,提出了一种用于有效舌诊的深度转移学习模型。具体地说,采用相似数据的传输策略,有效地传递必要的知识,克服了临床舌象的不足。然后,为了生成简化的结构,对网络进行剪枝,保留域自适应的可传输性。最后,设计了一个结合两个稀疏网络的紧凑模型来匹配有限边缘设备。在真实的临床数据集上进行了大量的实验。该模型可以使用较少的训练数据样本和参数,以较低的功耗和内存消耗产生具有竞争力的结果,使智能舌诊断在低性能基础设施上的广泛应用成为可能。

理学硕士:

92C50 医疗应用(通用)
68T07型 人工神经网络与深度学习
PDF格式 BibTeX公司 XML 引用
全文: 内政部

参考文献:

[1] Z、 Ning,P.Dong,X.Wang,X.Hu,L.Guo,B.Hu,et al.,移动边缘计算支持医疗物联网的5G健康监测:分散博弈论方法,IEEE J.Sel。公共区域。,(2020年),第1-16页。
[2] D、 C.Mainenti,大数据与中医:最新进展如何?,2019年IEEE大数据(大数据)国际会议,2019年,1417-1422。
[3] Q、 基于粗糙集和模糊数学的亚健康辅助诊断模型——以中医药为例,J.Intell。模糊系统。,324135-4143(2017年)
[4] F、 部署和集成智能传感器和物联网设备,在巨大的森林环境中探测火灾,计算机。公社。,150818-827(2020年)
[5] P、 H.O.Santos,G.L.Soares,T.M.Machado Coelho,B.A.G.de Oliveira,P.Y.Ekel,F.M.F.Ferreira等,在STM32F微控制器上实现的多目标遗传算法,2018年IEEE进化计算大会(CEC),2018年,1-7。
[6] Z、 宁,董佩东,王晓红,胡晓晖,刘杰,郭立军等,基于5G的车载网络的部分计算卸载与自适应任务调度,IEEE Trans。暴徒。计算机。,(2020年)。
[7] Y、 Huang,X.Ma,X.Fan,J.Liu,W.Gong,When deep learning Meeting edge computing,2017年IEEE第25届网络协议国际会议(ICNP),2017年,1-2。
[8] Z、 胡国宁,等.智能计算中的智能计算。因特尔。运输。系统。,(2020年),第1-14页。
[9] S、 Vicente,J.Carreira,L.Agapito,J.Batista,Reconstruction pascal voc,在IEEE计算机视觉和模式识别会议论文集,(2014),41-48。
[10] Y、 张大伟,B.D.Davison,imagenet模型选择对域自适应的影响,在IEEE冬季计算机视觉应用研讨会论文集,(2020),173-182。
[11] S、 M.Xie,N.Jean,M.Burke,D.B.Lobell,S.Ermon,《遥感和贫困制图的深度特征转移学习》,载于AAAI人工智能会议论文集,30(2016)。
[12] R、 徐国丽,杨俊林,林林,大范数更可转移:无监督域自适应的特征范数方法,在IEEE国际计算机视觉会议论文集(2019),1426-1435。
[13] F、 N.Iandola,M.W.Moskewicz,K.Ashraf,S.Han,W.J.Dally,K.Keutzer,SqueezeNet:AlexNet级精度,参数减少50倍,模型尺寸<0.5 MB,预印本,arXiv:1602.07360。
[14] A、 G.Howard,M.Zhu,B.Chen,D.Kalenichenko,W.Wang,T.Weyand,et al.,Mobilenets:用于移动视觉应用的高效卷积神经网络,预印本,arXiv:1704.04861。
[15] J、 《彩票假说:寻找稀疏的、可训练的神经网络》,预印本,arXiv:1803.03635。
[16] G、 Csurka,《视觉应用领域适应性综合调查》,《计算机视觉应用中的领域适应》,Springer,Cham,(2017),1-35。
[17] M、 深度视觉域适应:调查,神经计算,312135-153(2018)
[18] 十、 Huang,Y.Rao,H.Xie,T.Wong,F.L.Wang,通过主题相关的TradaBost进行跨域情感分类,载于美国人工智能大会论文集,31(2017)。
[19] C、 Tan,F.Sun,T.Kong,W.Zhang,C.Yang,C.Liu.关于深度迁移学习的调查,国际人工神经网络会议,Springer,Cham,(2018),270-279。
[20] H、 生物医学应用中基于多尺度卷积稀疏编码的无监督传输学习。肛门模式。机械。内尔。,401182-1194(2017年)
[21] E、 郑、霍夫曼、张恩科、萨恩科、达雷尔,《深层域混淆:域不变性的最大化》,预印本,arXiv:1412.3474。
[22] M、 Long,Y.Cao,J.Wang,M.I.Jordan,利用深度适应网络学习可转移特征,在机器学习国际会议上,PMLR,(2015),97-105。
[23] B、 Sun,K.Saenko,《深珊瑚:深域适应的相关比对》,载于欧洲计算机视觉会议,Springer,Cham,(2016),443-450。
[24] 五十、 张晓丽,黎俊杰,张丽萍,中药网络药理学研究中的生物信息学数据库:系统综述,2017 IEEE国际生物信息学与生物医学会议(BIBM),IEEE,(2017),1400-1404。
[25] Y、 叶伯旭,马丽娟,朱俊杰,史海华,蔡晓明,基于数据挖掘的中医药治疗失眠的治疗及用药规律研究,2019年IEEE国际生物信息学与生物医学会议(BIBM),IEEE,(2019),2503-2508。
[26] K、 Tago,H.Wang,Q.Jin,基于个人健康数据脉搏和周期特征的中医脉象诊断分类,2019年IEEE全球通信会议(GLOBECOM),IEEE,(2019),1-6。
[27] J、 信号检测中的中药药物警戒:基于决策树的数据分类。制作,18,19(2018)
[28] C、 中医心血管疾病检测的混合规则挖掘方法,J.Intell。模糊系统。,36861-870(2019年)
[29] Y、 李海叶,基于文本挖掘的2型糖尿病中医药记录分析与研究,2018 IEEE国际生物信息学与生物医学会议(BIBM),(2018),1872-1875。
[30] J、 杨玉文,赵国国,段俊杰,乳腺癌与中医证候关联规则研究:基于数据挖掘的证候,2019年IEEE计算智能系列研讨会(SSCI),(2019),2788-2792。
[31] 十、 李Q.邵,王杰,基于非平衡数据集的舌苔分类,IEEE国际生物信息学与生物医学会议,(2013),108-109。
[32] J、 丁国曹,孟丁,基于双特征支持向量机的舌图像分类,2016年系统与软件可靠性国际研讨会(ISSSR),(2016),77-81。
[33] Z、 齐丽萍,屠立平,陈建波,胡晓杰,徐建忠,张志福,中医舌色分类与标准化获取与icc轮廓校正,生物医学研究国际,2016(2016)。
[34] T、 李家祥,罗立中,吴方川,中医辨证论治代谢综合征:舌诊为预测因子,循证互补。医学,2016年(2016年)。
[35] W、 使用稀疏表示的面片驱动舌头图像分割,IEEE Access,841372-41383(2020)
[36] W、 舌色聚类与基于二维信息的视觉应用,国际计算机杂志。协助。放射学。Surg.,15203-212(2020年)
[37] W、 基于深度学习的舌区域检测和舌标检测的齿痕舌自动识别,IEEE Access,8153470-153478(2020)
[38] S、 舌印识别使用深CNN进行法医分析,J.Intell。模糊系统。,386415-6422(2020年)
[39] 五十、 李志洛,张明明,蔡玉英,李春丽,李秀莲,跨域舌切分的迭代转移学习框架,Concurr。计算机。实践。,32(2020年)。
[40] H、 Yang,J.Zhang,H.Dong,N.Inkawhich,A.Gardner,A.Touchet,et al.,DVERGE:多样化脆弱性以增强健壮生成的集成,预印本,arXiv:2009.14720。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。