第四十一篇:2023基于深度学习的内镜图像胃肠道疾病分类的改进Salp群算法
作者:MARWA OBAYYA
Modified Salp Swarm Algorithm With Deep Learning Based Gastrointestinal Tract Disease Classification on Endoscopic Images
目的:基于深度学习的方法将肠胃道疾病进行分类
方法:使用改进的MSSADL-GITDC基于深度学习 的胃肠道疾病分类。①用MF中值滤波器技术进行图像平滑;②改进胶囊网络CapsNet进行特征提取;③用有极限学习机DBN-ELM的深度信念网络;④最后,应用反向传播对DBN-ELM模型进行监督微调。
特别地:该文献的综述部分很值得学习
结果:后续进行了改进,最大准确率为98.03%。
注:2区Q3。学习指数9
第四十二篇:2020使用改进的基于 LSTM 的 CNN 进行胃肠道分类
作者:Şaban Öztürk
Gastrointestinal tract classification using improved LSTM based CNN
目的:改进CNN将胃肠道疾病图像进行分类
方法:使用改进的基于LSTM的CNN进行分类。①首先将特征提取出来,使用三个网络AlexNet、GoogLeNet、ResNet;②然后再使用分类器分别对三个模型提取出的特征进行特征分类,三个分类器分别为softmax、SVM、改进的LSTM。改进的LSTM是该研究提出的新方法。该实验还对数据量进行了实验分析,得出结论数据量越大拟合效果更好,准确率更高。
特别地:不需要预处理,端到端的训练。LSTM是长短期记忆结构是递归神经网络的一种,LSTM是用来分析时间序列数据以预测数据的未来情况。使用的是堆叠LSTM模型。改进的LSTM使用dropout来避免内存问题。
结果:与其他现有方法相比,所提方法具有更成功的分类性能,准确率为97.90%。
注:研究的方法的三种分类法值得学习。学习指数9.1。
第四十三篇:2018使用基于区域的深度 CNN 和后学习方法自动检测结肠息肉
作者:YOUNGHAK SHIN
Automatic colon polyp detection using region based deep CNN and post learning approaches
目的:使用区域卷积神经网络和后方法进行息肉的自动检测
方法:主体结构是Faster R-CNN和Inception ResNet的结合。①图像增强;②使用区域建议网络RPPN获取ROI区域;③对ROI分类且预测(探测器);④使用Post learning的假阳性和离线学习两者方法区提高息肉检测系统。
特别地:算是早期使用ROI方法的文献。一样的用到了迁移学习
结果:实验中精度、召回和反应时间(RT)方面具有卓越的检测性能。
注:学习指数7.8
第四十四篇:2021用于无监督WCE视频摘要的循环生成对抗网络
作者:兰利宾
Recurrent generative adversarial networks for unsupervised WCE video summarization
目的:对WCE视频进行摘要。
方法:采用生成对抗网络GAN框架。①汇总器:基于变分自动编码器的LSTM框架对原始视频提取关键帧,使用Ptr-Net指针网络和DM去冗余机制;②鉴别器:使用LSTM区分原始视频和来自汇总器的重建视频,实现优化汇总器;③对汇总器和鉴别器使用生成对抗网络训练这两个模型。设计的模型为Adv-Ptr-Der-Sum。
特别地:实验流程文字叙述清楚。实验过程使用了消融法(控制变量)来验证提出的研究方案。
结果:所提出的模型在监督和无监督设置中都大大优于其他视频摘要方法
注:跟第九篇是同一个作者。学习指数9。该研究用到了LSTM。1区Q1