新冠分类与森林覆盖变化预测研究

### 新冠分类与森林覆盖变化预测研究 #### 新冠多分类研究 在2020年，新冠疫情让全球陷入停滞，大量人口因这一致命病毒丧生。传统检测方法效率低、诊断时间长，因此需要寻找替代方案。研究采用迁移学习构建深度学习架构，利用胸部X光图像对新冠、肺炎和正常三类进行多分类。 ##### 实验设置 - **训练超参数**： | 超参数名称 | 值 | | --- | --- | | 训练 - 验证 - 测试拆分比例 | 79% - 9% - 12% | | 训练和验证批次大小 | 32 | | 训练轮数 | 100 | | 学习率 | 5e - 5 | | 数据缩放大小 | 224 × 224 | | 优化器 | Adam优化器 | | 损失函数 | 二元交叉熵损失 | ##### 模型评估 - **混淆矩阵**：通过混淆矩阵可以得到真阳性（TP）、假阳性（FP）、假阴性（FN）和真阴性（TN）的值。多数分类器的TN + TP数量相近，但Inception ResNetV2的TN + TP总和最高，且Inception ResNetV2和Xception在预测新冠类别时准确率达到100%。 - **性能指标**： - **准确率**：Inception ResNetV2准确率最高，达到83.33%，DenseNet201、VGG19和Xception的准确率也接近，为82.22%，VGG16准确率最低，为81.11%。 - **敏感度**：DenseNet201和Xception的敏感度最高，为1.00，VGG19的敏感度最低，为0.80。在医疗领域，高敏感度很重要，因为若感染者被误判为阴性，可能会导致疾病传播。 - **特异度**：VGG19的特异度最高，为0.80。 - **精确率、召回率和F1分数**：对于新冠类别，Inception ResNetV2、DenseNet201和Xception的精确率相近；DenseNet201和Xception对新冠类别的召回率达到1.00，且F1分数最高，为0.90。 | 分类器 | 准确率(%) | 敏感度 | 特异度 | | --- | --- | --- | --- | | Xception | 82.22 | 1.00 | 0.73 | | VGG16 | 80.00 | 0.93 | 0.73 | | VGG19 | 82.22 | 0.87 | 0.80 | | DenseNet201 | 82.22 | 1.00 | 0.73 | | InceptionResNetV2 | 83.33 | 0.93 | 0.78 | | ResNet50V2 | 81.11 | 0.97 | 0.73 | | 分类器 | 类别 | 精确率 | 召回率 | F1分数 | | --- | --- | --- | --- | --- | | Xception | COVID - 19 | 0.81 | 1.00 | 0.90 | | | 肺炎 | 0.81 | 0.73 | 0.77 | | | 正常 | 0.85 | 0.73 | 0.79 | | VGG19 | COVID - 19 | 0.79 | 0.87 | 0.83 | | | 肺炎 | 0.85 | 0.77 | 0.81 | | | 正常 | 0.83 | 0.83 | 0.83 | | VGG16 | COVID - 19 | 0.76 | 0.90 | 0.84 | | | 肺炎 | 0.88 | 0.73 | 0.78 | | | 正常 | 0.79 | 0.77 | 0.78 | | DenseNet201 | COVID - 19 | 0.81 | 1.00 | 0.90 | | | 肺炎 | 0.77 | 0.80 | 0.79 | | | 正常 | 0.