이 연구는 몬키폭스 진단을 위한 혁신적인 하이브리드 딥러닝 방법론인 "RS-FME-SwinT"를 소개한다. 이 접근법은 맞춤형 Swin Transformer와 최적화된 잔차 학습 및 공간 CNN 아키텍처를 통합하여 다중 스케일 상관 특징을 효과적으로 캡처한다.
제안된 RS-FME-SwinT 프레임워크는 맞춤형 SwinT를 통한 전이 학습 기반 기능 지도 향상(FME) 기술을 구현한다. 이를 통해 잔차 학습은 질감 및 패턴 정보를 캡처하고, 공간 블록은 지역 대비 변화를 학습한다. 통합된 FME 접근법은 다양한 특징 지도를 학습하여 몬키폭스 내부 클래스 변동성을 효과적으로 줄이고 유사 피부 질환과의 정확한 구분을 가능하게 한다.
또한 맞춤형 SwinT에 새로운 역 잔차 블록(IRB)을 포함하여 지역 패턴 추출을 향상시키고 소실 기울기 문제를 완화한다. 더욱이 SwinT는 교차 중첩 및 다중 헤드 자기 주의 메커니즘을 통해 전역 의존성을 학습하여 모델 성능을 향상시킨다.
제안된 RS-FME-SwinT 기술은 다양한 몬키폭스 데이터셋에서 엄격하게 평가되었으며, 최신 CNN 및 ViT 모델을 능가하는 성능을 보여주었다. RS-FME-SwinT는 몬키폭스 탐지에서 97.80%의 정확도, 96.82%의 민감도, 98.06%의 정밀도, 97.44%의 F-점수를 달성하여 탁월한 결과를 보여준다. 이 기술은 의료 종사자들에게 신속하고 정확한 몬키폭스 진단을 가능하게 하여 완화 노력에 크게 기여할 수 있다.
다른 언어로
소스 콘텐츠 기반
arxiv.org
더 깊은 질문