标题：一种基于截断式迁移学习的新冠肺炎识别方法
作者：刘婉婷1 李阳1；顾剑2；周宇航1
作者单位：1 大连民族大学理学院，辽宁 大连 116000；2 大连海洋大学信息工程学院，辽宁 大连 116000
关键字：新冠肺炎识别；迁移学习；卷积神经网络
摘要：轻量且高效的肺炎X光（Chest X-Ray，CXR）图像识别模型对于资源受限的平台具有重要意义，为解决以往的研究中很难平衡模型的大小、计算效率和增强性能三者之间的关系的问题，以残差网络ResNet50作为主干网络，并针对医学疾病更加关注中底层抽象特征的特性，采用截断式迁移学习的方法，该方法保留和微调部分的底层，并直接丢弃其他层。同时在截断模块与全连接层中间加入卷积注意力模块，使得模型更加关注病灶区的特征信息，对肺炎图像实现了快速且精确的识别。在重新收集整理的COVID-Xray15k数据集上进行实验，模型分类准确率可达98.6%，与现有研究相比新模型具有更准确且高效的识别新冠肺炎图像性能。