實驗方法

CNN模型

Xception

Xception是谷歌團隊開發的一款特殊的Inception Module，對 InceptionV3 的 Inception 模塊進行了改進，

在 Xception 的神經網絡中引入了 depth-wise separable convolution。

因此，Xception 使用參數比原始版本 (GoogLeNet) 更有效。

MobileNetv2

MobileNetv2 由 Google 開發。開發人員將線性瓶頸和反向殘差添加到 MobileNet 的深度可分離卷積中。它使 MobileNetv2 能夠減少內存和計算資源，同時保持高精度。

DenseNet169

DenseNet169 在 ResNet 的基礎上改進，比 ResNet 系列更能減緩梯度消失問題的發生。

DenseNet201

DenseNet201 與 DenseNet169 具有相同的特性，不同之處在於卷積層和全連接層的數量。

優化演算法: Adam

Adam 結合 Momentum 計算梯度、Adagrad 處理稀疏梯度和 RMSprop 的優點來有效解決非平穩梯度。

Adam 只需要更少的內存，根據不同的參數調整不同的自適應學習率

資料集

本次專題使用的胸腔 X 光圖像來自 kaggle 公共數據集—COVID-19 射線照相數據庫。

選擇了 6000 張胸部 X 光圖像來構建數據集，其中包含 3000 張 COVID-19 陽性和 3000 張正常胸部 X 光圖像。

此外，將訓練集和測試集以 80:20 的比例拆分，然後從訓練集中削減 10% 作為驗證集。

正規化

Dropout 可以有效減緩神經網絡過擬合。在每次訓練迭代中，我們模型的每個神經網絡元素（不包括輸入層）

都有 20%（調整了它的概率）被丟棄的機會，即它們的迭代輸出為 0，避免了模型過程中復雜的相互適應訓練。

遷移學習和微調

為了降低時間和內存空間方面的訓練成本，使用遷移學習方法對上述四個模型與大規模 ImageNet 進行預訓練。

然後，通過微調技術使用已建立的數據集對它們進行訓練。

它可以顯著提高模型性能評估的準確率、精度和召回率。

通過性能評估，四個模型的準確率、準確率和召回率均在 98% 之間。然而，實驗結果表明，表現最好的是 DenseNet169。這一發現解釋了具有更深層次的模型並不總是產生更高的準確性。