基于改进Faster R-CNN的肺结核病原体检测

本文提出一种基于Faster R-CNN的肺结核病原体检测方法,以更高的准确率和更低的漏检率检测肺结核.首先,通过Mosaic数据增强方法对数据集进行扩充,提高模型泛化能力,同时引入K-means聚类算法,对所用数据集重新聚类来生成对的锚点初始候选框大小.其次,将Faster R-CNN中的原始特征提取网络替换为Res2Net,并将其卷积核全部替换为空洞卷积,在与原卷积相比参数量不变的情况下,增大了感受野.再者,引入改进后的GC-FPN模块,使模型在轻量化的同时更好的关注小目标信息.最后,引入ROI Align,解决候选框和初始回归位置存在偏差的问题.实验结果表明,在公开数据集上,改进的Faster R-CNN模型与原本的Faster R-CNN算法相比,准确率提高了2.7%,召回率提升了1.4%,该算法不仅在结核图像数据集上得到了验证,而且具有较高的准确率.

基于YOLOv8s的改进结核病病原体检测算法

针对结核病病原体在痰涂片图像背景复杂且目标小,人工筛查成本较高的问题,提出了一种基于YOLOv8s的结核病病原体检测方法。首先,采用基于空间和通道重构卷积改进的结构来限制特征冗余。其次,引入了坐标注意力来扩大模型的感受野。再者,使用空间金字塔池化跨阶段局部网络来提取不同尺度上的特征信息。最后,嵌入基于归一化的注意力机制抑制不太显著的特征。实验结果表明,在公开数据集上,改进网络模型与原YOLOv8s模型相比,精确率和召回率分别提升2.7%和1.5%,置信度为0.5时的平均精度均值提高了2.3%,该模型能够有效辅助影像科医师进行诊断。

基于YOLOv8s的城市背景烟火检测算法

针对目前城市背景烟火检测方法存在检测精度不高,易出现误检、漏检和耗时长等问题,提出一种基于YOLOv8s改进的烟火检测算法。引入加权双向特征金字塔(Bi-directional Feature Pyramid Network, BiFPN)增强特征融合,在BiFPN的基础上融合P2特征层提升小目标检测能力,同时添加基于跨空间学习的高效多尺度注意力(Efficient Multi-scale Attention, EMA)模块,突出目标特征同时抑制背景环境的干扰;为了有效利用特征图的语义信息,引入轻量级通用上采样算子——Content-Aware ReAssembly of Features(CARAFE);基于多尺度卷积注意力(Multi-scale Convolutional Attention, MCA)模块设计了一个轻量化的检测头并提升了检测精度;引入分组卷积空间金字塔池化SPPFCSPC_Group模块,在扩大感受野的同时具有更好的特征提取能力。实验结果表明,改进的YOLOv8s算法在基准模型的基础上计算量减少了25%、参数量减少了37.6%、模型权重大小减少了33.2%,平均精度均值(mean Average Precision, mAP)提升了3.4%,基本满足烟火检测的需求。