改进VGG-19：增强判别性的新冠病毒感染图像识别网络

摘要：为实现对新冠病毒感染CXR图像进行准确的识别，提出了一种带有判别性的“混合特征信息判别器”结构的改进VGG-19网络模型。针对 CXR图像存在噪声点，且难以抽取区分性强的特征信息问题，将具有高强度特征提取能力的VGG-19作为主干网络，采取冗余特征信息丢弃和不明显特征信息增强的方式实现特征选取。在经过数据增广技术的数据集上，首先，通过网络提取出CXR图像的空间特征信息；其次，从特征图上挑选出更容易做出决断的像素点；以此实现更少的模型参数量和更高的准确率。改进VGG-19网络使用迁移学习，在ImageNet-100数据集上预训练，再将训练的最佳权重泛化到COVID-19 Radiography Database数据集上重新训练，实验结果表明：改进VGG-19对新冠病毒感染CXR图像的识别的准确率、精确度和召回率分别达到了97.60%、98.89%、98.51%。与其他新冠病毒感染CXR图像识别算法相比，改进VGG-19能够准确地完成新冠病毒感染肺部图像的分类识别，具备更好的识别性能。

关键词：新冠病毒感染；混合特征信息判别器；VGG-19；数据增广；迁移学习

中图分类号：TP18 文献标识码：A

文章编号：1009-3044（2024）04-0032-05