مدل مبتنی بر مبدل بینایی و ماشین بردار پشتیبان برای تشخیص بیماری کووید-19 با استفاده از تصاویر x-ray و ct-scan

همگامی گسترش بیماری کووید-19 و بکارگیری الگوریتم‌های یادگیری ماشین برای مسائل گوناگون، منجر به انجام پژوهش‌های گسترده در حوزه‌های تشخیص و پیش‌بینی بیماری نام‌برده شده است. همچنین، با پیشرفت مکانیزم توجه و انتشار معماری مبدل بینایی، پیشرفت عملکرد در حل مسائل بینایی ماشین و بهبودی قابل توجه در مقایسه با شبکه‌های عصبی پیچشی را شاهد هستیم. در پژوهش حاضر، معماری مبتنی بر مبدل بینایی و ماشین بردار پشتیبان (s2vtm) معرفی خواهد شد که در مقایسه با معماری‌های پیشین عملکرد بهتری به همراه داشته و به میانگین دقت 99.51٪، 89.601٪ و 89.74٪ بر روی مجموعه داده‌های سه‌گانه دست یافته است.

a model based on the vision transformer and support vector machine for diagnosing covid-19 using x-ray and ct-scan images

the synchronization of the spread of the covid-19 disease and using machine learning algorithms for various problems has led to extensive research in covid-19 prediction. also, with the advancement of the attention mechanism and the release of vision transformer architecture, we are confronted with performance improvement in solving machine vision problems and a significant improvement compared to convolutional neural networks. in the present research, the architecture based on a support vector machine and vision transformer (s2vtm) will be introduced that outperforms other architectures by obtaining an average accuracy of 99.51%, 89.601%, and 89.74% on the triple data.