.png){kind=icon}
返回
DeepBiteNet: A Lightweight Ensemble Framework for Multiclass Bug Bite Classification Using Image-Based Deep Learning
.png){kind=icon}
OA
AI
DOI：10.3390/diagnostics15151841.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景-目的：从皮肤图像中准确识别昆虫叮咬是一项艰巨的任务，原因在于不同叮咬类型之间的细微差异、人类皮肤反应的多样性以及图像质量的不一致性。方法：本研究中，我们引入了DeepBiteNet，一种基于集成的新深度学习模型，旨在从RGB图像中进行鲁棒的昆虫叮咬多分类。我们的模型聚合了三种语义不同的卷积神经网络——DenseNet121、EfficientNet-B0和MobileNetV3-Small，并使用堆叠元分类器将它们的预测结果整合为具有判别力的统一输出。我们的技术平衡了异构特征表示与个体模型偏差的抑制。该模型在一个手工收集的1932张标记图像数据集上进行了训练和评估，该数据集包含八类，包括蚊虫、跳蚤和蜱虫等常见叮咬以及未受影响的皮肤。我们的领域特定增强管道模拟了光照、遮挡和肤色等实际变化，从而提升了泛化能力。结果：我们的DeepBiteNet模型实现了89.7%的训练准确率、85.1%的验证准确率和84.6%的测试准确率，并在所有关键指标上超越了十五种基准CNN架构，包括精确率（0.880）、召回率（0.870）和F1分数（0.875）。该模型经过量化与TensorFlow Lite优化，适用于移动部署，支持快速客户端计算并消除了对基于云的处理依赖。结论：本研究表明，精心设计的集成学习结合真实数据增强，能够提升自动昆虫叮咬诊断的可靠性与可用性。我们的DeepBiteNet模型为未来与移动健康（mHealth）方案的集成奠定了有前景的基础，并可能在皮肤科资源匮乏地区补充早期诊断与分诊工作。
Keyword:
multiclass classification
ensemble deep learning
insect bite recognition
stacked meta-classifier
image-based diagnosis
期刊
IF:
3.3
论文数:
2.0W
被引数:
3.6W
机构
暂无机构信息
引用论文
Force Map-Enhanced Segmentation of a Lightweight Model for the Early Detection of Cervical Cancer.png)
DIAGNOSTICS
OAAI
DIAGNOSTICSIF3.3
OAAI分享收藏Next-generation neuropeptide Y receptor small-molecule agonists inhibit mosquito-biting behaviorPARASITES & VECTORSOAAI
PARASITES & VECTORSIF3.5
OAAI分享收藏Aggarwal, G.; Goyal, M.K. V2SeqNet: A robust deep learning framework for malaria parasite stage classification in thin smear microscopic images. J. Integr. Sci. Technol. 2025, 13, 1104. [Google Scholar] [CrossRef]Aggarwal, G.; Goyal, M.K. V2SeqNet：一种用于薄涂片显微镜图像中疟原虫阶段分类的鲁棒深度学习框架。J. Integr. Sci. Technol. 2025, 13, 1104. [Google Scholar] [CrossRef]
IF0
PREAI
分享收藏
查看更多内容