Image Resolution vs. Accuracy Trade-Off in Dermatology AI
Rattachement africain : us, in. Niveau de preuve : code pays fourni par la source.
Le résumé fourni par la source
Deploying AI-powered dermatology tools on mobile and edge devices requires a critical balance between classification accuracy and computational efficiency. While higher-resolution images provide granular details necessary for identifying skin conditions, they impose significant computational costs. This paper investigates the trade-off between image resolution (64 x 64, 128 x 128, 224 x 224, 256 x 256) and performance metrics (Accuracy, AUC, Model Size) for skin disease classification using CNNs. We evaluate MobileNet and ResNet50 architectures on a dataset of Acne vs. Normal skin. Our results demonstrate that MobileNet achieves a superior balance, maintaining high accuracy (>90%) at lower resolutions (128 x 128) while consuming significantly less memory (12.5 MB) compared to ResNet50 (90 + MB), identifying it as the optimal choice for resource-constrained deployment.
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Le contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- Image Resolution vs. Accuracy Trade-Off in Dermatology AI
- Date Crossref
- 17/01/2026
- Éditeur
- Creative Publishing House
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.
Les institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.