Monkeypox disease recognition model based on improved SE-InceptionV3

随着猴痘在全球的传播，准确识别疾病变得至关重要。本研究引入了改进的SE-InceptionV3模型，将SENet模块嵌入到InceptionV3框架中，并将L2正则化纳入其中，以增强猴痘疾病的检测能力。利用Kaggle猴痘数据集，其中包括猴痘和类似皮肤病的图像，我们的模型在测试集上展现出显著的准确率，达到了96.71％，优于传统方法和深度学习模型。SENet模块的通道注意机制显著提高了特征表示，而L2正则化确保了鲁棒的泛化能力。广泛的实验验证了模型在精度、召回率和F1得分方面的优越性，突出了其在不同和复杂情况下区分猴痘病变的有效性。该研究不仅提供了关于在医学诊断中应用先进的CNN架构的见解，还为进一步研究模型优化和超参数调整以增强疾病识别打开了途径。https://github.com/jzc777/SE-inceptionV3-L2

提高猴痘病的诊断准确率

将SE-InceptionV3模型与L2正则化相结合，利用Kaggle猴痘数据集进行训练，提高猴痘病的检测准确率

该模型在测试集上表现出96.71%的准确率，优于传统方法和深度学习模型，SENet模块的通道注意机制显著提升了特征表示，L2正则化确保了鲁棒性，实验证明了该模型在不同情况下的精度、召回率和F1分数的优越性。

最近的相关研究未知。