为解决水上漂浮垃圾种类繁多、移动端算力有限、现有识别模型较复杂等原因导致的水上清洁船识别垃圾精度低、速度慢等问题,提出一种基于YOLOv5s(you only look once version5 small)网络模型的水上漂浮垃圾识别算法。该算法采用K-means...为解决水上漂浮垃圾种类繁多、移动端算力有限、现有识别模型较复杂等原因导致的水上清洁船识别垃圾精度低、速度慢等问题,提出一种基于YOLOv5s(you only look once version5 small)网络模型的水上漂浮垃圾识别算法。该算法采用K-means聚类算法调整边界框比例,提高检测精度;以渐进式学习方式EfficientNetv2模型替代YOLOv5s的主干部分,融合高效通道注意力(efficient channel attention,ECA)机制,减少模型复杂度,提高检测速度,同时增强模型的特征提取能力;引入平衡因子φ和归一化高斯Wasserstein距离(normalized Gaussian Wasserstein distance,NWD)度量对YOLOv5s的损失函数优化,降低模型对水上远距离漂浮垃圾的检测敏感性。自制数据集的测试实验结果显示,改进算法的mAP比YOLOv5s算法提高2.2%,模型的参数量下降20.34%,检测速度提高30.84%,表明改进算法具有优越性。展开更多
为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出...为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。展开更多
文摘为了解决寻常型银屑病在样本分布不平衡的数据中可能会导致的深度学习模型诊断效果下降等问题,通过结合改进模糊KMeans聚类算法对高聚类复杂度数据的处理能力以及Visual Geometry Group 13(VGG13)深度卷积神经网络模型的预测能力,提出一种基于改进模糊KMeans聚类算法的VGG13深度卷积神经网络(VGG13-KMeans)模型,并将其应用于寻常型银屑病的诊断任务中。实验结果表明,相较于VGG13以及ResNet18两种方法,本文方法更适用于对银屑病特征的识别。
