基于LesionMix数据增强和熵最小化损失的半监督肺癌CT影像分割

目的基于LesionMix数据增强和熵最小化损失建立一种半监督肺癌CT影像分割方法——熵最小化病灶增强(EMLM)。方法首先,提出LesionMix数据增强方法,即通过对少量有标注的CT影像进行病灶信息提取并重复利用,来提升标注数据的利用效率。其次,提出两阶段半监督训练策略,第一阶段通过LesionMix数据增强方法使模型快速学习到少量标注数据的病灶特征,第二阶段使用熵最小化损失函数使其拟合真实数据分布情况,提高模型分割效果。最后,在LIDC-IDRI数据集上,通过对比实验和消融实验评估EMLM方法的分割性能。结果对比实验结果显示,在30%和10%标注比例的情况下,EMLM方法的戴斯相似度系数(DSC)均高于当前6种最佳半监督分割方法(URPC模型、UAMT模型、RD模型、MT模型、AEM模型、CPS模型),在50%标注比例的情况下,EMLM方法的DSC高于MT模型、RD模型、CPS模型、UAMT模型(P<0.05)。消融实验结果显示,使用Baseline模型同时配合EMLM方法时的DSC大于仅使用Baseline模型或者使用Baseline模型单独配合熵最小化损失(P<0.05),与使用Baseline模型单独配合LesionMix数据增强方法差异无统计学意义(P>0.05)。结论对于肺癌病灶分割,EMLM方法可以有效降低对标注数据的依赖并实现良好的分割效果。LesionMix数据增强方法与熵最小化损失实现了对肺癌病灶的重复利用,提高了标注的利用效率,同时可以更好地拟合真实数据分布情况而获得更佳的分割结果,从而有效提升了模型对肺癌病灶的分割能力。

基于EfficientNet模型的智能图像识别系统设计

为了实现农业害虫信息的准确获取和害虫图像的智能识别,本文提出了一种基于EfficientNet模型的农业害虫智能图像识别模型,该模型引入SE通道注意力机制,引入标签平滑的数据处理策略来提高模型的鲁棒性,采用迁移学习策略和改进后的EfficientNet-B0网络来训练模型,并将模型部署至基于Android平台的客户端系统。在IP102害虫数据集上进行大规模试验,系统的识别准确率达到了90.76%,较改进前的EfficientNet网络相比有了大幅提升。试验结果表明,本文所提出的模型系统有效提高了作物害虫图像的识别准确率,在农业应用方面有着广泛的前景。

印象桂林智慧旅游导航小程序设计与实现

随着旅游市场的爆发,智慧旅游逐渐成为一种新的热点。目前市场上的旅游APP众多,基本侧重于简单的导航设计,而对用户和旅游目的实际情况有所忽略,为此设计一款印象桂林智慧旅游导航小程序。首先,阐述小程序的总体架构和客户端结构,对地图实时定位、路线查询、景点信息介绍及智慧预约停车等功能进行介绍;然后结合腾讯地图API及微信小程序开发的相关技术,重点论述路线查询以及智慧景点导览两大板块,将传统导航功能与智慧旅游服务相融合来满足不同用户的个性化旅游体验。