QReLU and m-QReLU: Two novel quantum activation functions to aid medical diagnostics

论文链接：https://arxiv.org/abs/2010.08031

在医学应用上，表现SOTA！实验证明在COVID-19、帕金森病诊断任务上，性能优于SELU、VLReLU等激活函数，TenrsorFlow和Keras版代码均已开源！作者单位：布拉德福德大学, 奥克兰大学, 港中文等

ReLU激活函数（AF）已广泛应用于深度神经网络，尤其是卷积神经网络（CNN），用于图像分类，尽管它尚未解决的dying ReLU问题，这对可靠的应用提出了挑战。该问题对于关键应用（例如医疗保健中的应用）具有明显的重要意义。最近的方法只是提出在相同的，尚未解决的dying ReLU挑战中激活功能的变化。通过研究创新的ReLU AF量子方法的开发，该研究方法报告了不同的研究方向，该方法避免了因破坏性设计而dying ReLU问题。利用Leaky ReLU作为基线，在该基线上应用了纠缠和叠加的两个量子原理来导出提出的量子ReLU（QReLU）和修饰的QReLU（m-QReLU）激活函数。 QReLU和m-QReLU均已在TensorFlow和Keras中实现并免费提供。在有助于从医学图像中检测COVID-19和帕金森病（PD）的案例研究中，这种原始方法有效且得到了广泛验证。在两层CNN中，针对七个基准数据集，针对九个基于ReLU的AF评估了两种新型AF，包括通过帕金森氏病患者和健康受试者的图形输入板拍摄的螺旋图图像，以及在COVID-19，肺炎和健康对照者的肺部。尽管计算成本较高，但结果表明，量子AF可以在七个基准数据集中的五个数据集中实现更高的分类精度，精度，召回率和F1分数，从而证明其有可能成为新的基准AF或金标准AF CNN和关键应用中涉及的辅助图像分类任务，例如COVID-19和PD的医学诊断。

内容中包含的图片若涉及版权问题，请及时与我们联系删除