本研究采用基于两种广泛应用的预训练卷积神经网络（VGG16 和 Inception V3）的集成方法，旨在将糖尿病性视网膜病变（DR）分为五个不同的类别。通过冻结预训练模型中的部分层，使用全局平均池化层将输出特征映射转换为固定长度向量，并将这些向量连接起来形成输入图像的综合表示。在 APTOS 数据集的训练和验证集上对集成模型进行训练，并在测试集上表明该模型对 DR 分类具有 96.4% 的准确性。

Aug, 2023

通过使用深度学习和迁移学习技术，本研究提出了一种新的诊断糖尿病视网膜病变的方法，与传统的诊断方法相比，具有更高的准确性，对于早期的诊断、治疗和预防失明至关重要。

Jan, 2024

本研究提出了一种集成知识蒸馏方法，可以从不同的教师网络中提取知识，并将其蒸馏成一个紧凑的学生模型，以获得更好的分类准确性和模型泛化性能。实验结果表明，这种集成方法可以显著提高模型的分类准确性和泛化性能，特别是在数据量有限的情况下。

Sep, 2019

本研究提出了一种嵌入知识蒸馏机制的深度级联动态神经网络 (DDNN)，通过 Kullback-Leibler 散度和自注意力蒸馏在在线知识蒸馏中获得多个高精度子网络，以提高子网络的泛化能力，从而在 CIFAR-10/100 和 ImageNet 数据集上实现了 better performance than individually training networks while preserving the original performance of full-nets。

Mar, 2021

本文介绍了一种深度学习方法，用于使用单个眼底视网膜图像检测和分级糖尿病视网膜病变，通过迁移学习利用两个先进的预训练模型作为特征提取器并在新数据集上进行微调，该方法在 APTOS 2019 数据集上表现出色，可用作可靠的筛查和分级工具，可增强临床决策和患者护理的潜力。

Aug, 2023

本文提出了一种可解释性分类器，旨在通过生成可解释的视觉地图对糖尿病视网膜病变病例进行分类和解释。

Dec, 2017

本研究针对视网膜疾病治疗方案提出一种基于人工智能的方法，旨在帮助眼科医生提高诊断效率和准确性。该方法包括深度神经网络模型、视网膜疾病自动诊断和临床描述生成器、DNN 可视化解释模块，并提供基于眼科医生手动标注的视网膜图像数据集进行训练和验证。实验结果表明，该方法无论是定量还是定性分析都取得了显著的效果，并成功生成了有临床意义的视网膜图像描述和可视化解释。

Nov, 2020

本文提出了一种早期知识蒸馏框架 (DearKD)，通过从卷积神经网络的早期中间层中提取归纳偏差然后通过无蒸馏进行训练，以提高变压器所需的数据效率。我们还针对极端的零数据情况提出了一种基于 DeepInversion 的边界保留内部分歧损失，从而进一步缩小与完整数据对照组之间的性能差距。针对 ImageNet、partial ImageNet、无数据设置和其他下游任务的大量实验证明 DearKD 优于其基准和最先进的方法。

Apr, 2022

糖尿病视网膜病变是糖尿病的常见并发症，与视力丧失的显著风险相关。在这项研究中，我们提出了 DRStageNet，这是一个用于处理分布转换问题的深度学习模型，通过引入多源领域微调策略来提高 DR 分期算法的泛化性能，并展示了与其他基准模型的优越性能。

Dec, 2023

本文旨在提出一种无需重新设计模型的基于 CNN 的深度学习模型 (nn-MobileNet)，用于视网膜疾病的诊断和监测，并证明其在多个任务上取得了优于目前大多数最先进方法的结果，包括糖尿病视网膜病变、眼底多种疾病检测和糖尿病黄斑水肿分类，从而推进深度学习架构设计和视网膜病理研究的新视角。

Jun, 2023