提出轻量CNN Scaled m-BonacciNet 并公布医学图像分类结果

Habib 等作者团队提出轻量 CNN 模型 Scaled m-BonacciNet，用 m-Bonacci 主根缩放 Fibonacci-Net 通道并采用深度可分离卷积，并公布了其在多个医学图像数据集上的分类结果。 在 15 类脑 MRI 数据集上，Tribonacci-Net 达到 96.09% 准确率、0.9581 宏平均 F1，使用 0.85 百万参数和 0.366 GFLOPs；在 44 类数据集上，Pentanacci-Net 达到 95.87% 准确率，参数量和 FLOPs 分别减少 47.10% 和 44.48%；在 CKD 超声数据集上，Hexanacci-Net 达到 83.75% 准确率、0.7941 宏平均 F1，参数量和 FLOPs 分别减少 50.37% 和 45.10%。

AI 根据报道生成 · 53 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。