深度残差网络模型的构建及其在糖尿病预测中的应用

为提高糖尿病预测准确率和精度,针对糖尿病数据特性,构建由全连接层组成的深度残差网络。在残差块中加入批量标准化层,去除了Dropout层,进而确定了各层的排列顺序。分别使用3种不同激活函数和4种不同的优化算法时,对比深度残差网络的准确率、精度、召回值、F1值和平均准确率等评价指标值,进而选择Tanh作为模型激活函数,自适应矩估计(Adam)作为模型优化算法。采用梯度提升树算法选取影响糖尿病的主要特征,针对UCI糖尿病原始数据集和样本均衡数据集,将深度残差网络与随机森林模型、朴素贝叶斯模型、决策树模型、支持向量机模型、逻辑回归模型进行对比分析。预测结果表明,深度残差网络优于全连接神经网络;对于原始数据集和样本均衡数据集,深度残差网络模型的准确率和精度均优于相比较的其余5种预测模型。

基于深度残差网络的道路标志识别模型构建及分析

道路标志识别是自动驾驶技术的重要依据,自动驾驶技术的高速发展对道路标志识别提出了更高的要求,对道路标志的识别具有重要的理论和应用价值。简单分析了道路标志识别的背景,介绍了卷积神经网络的网络结构和近年来取得较好识别效果的深度残差网络模型(ResNet),并提出了改进的ResNet18网络模型。使用德国道路标志数据集进行训练和测试,并与相关算法进行比较,证明该模型具有较高的识别精度和识别效率。

基于深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大

目的 探讨基于ResNet50深度残差网络模型的深度学习特征预测无传统影像学征象的自发性脑出血患者早期血肿扩大的价值。资料与方法 回顾性分析扬州大学附属江都人民医院2019年1月—2022年12月发病6 h内完成首次平扫颅脑CT,且入院后24 h内复查平扫颅脑CT的自发性脑出血患者235例,按8∶2随机将患者分为训练集188例与测试集47例。在首次平扫颅脑CT上逐层勾画血肿感兴趣区提取影像组学特征。裁剪出最大二维横截面及其上下1 mm和2 mm处二维横截面的感兴趣区图像,输入ResNet50模型行预训练,提取平均池化层的深度学习特征,并将影像组学特征与深度学习特征融合。通过最小绝对收缩与选择算子回归模型分别筛选出最优的影像组学特征、深度学习特征和融合特征,采用支持向量机分类器构建预测模型。使用受试者工作特征曲线和决策曲线分析评价模型效能。结果 在训练集中,深度学习特征模型曲线下面积(AUC)为0.972,高于影像组学特征模型(0.951)和融合特征模型(0.968),差异均无统计学意义(P>0.05)。在测试集中,深度学习特征模型和融合特征模型AUC分别为0.867和0.895,显著高于影像组学特征模型(0.833),差异有统计学意义(Z=1.794、2.191,P<0.05);融合特征模型AUC较深度学习特征模型有所增益,但差异无统计学意义(P>0.05)。在测试集中,决策曲线分析显示融合特征模型获益优于深度学习特征模型和影像组学特征模型。结论 基于ResNet50深度学习特征模型预测早期血肿扩大表现优于影像组学特征模型,而融合特征模型对其预测血肿扩大有增益作用,为临床决策提供一种具有超视觉评估能力的预测工具。

基于卷积神经网络的图像目标检测优化算法研究

文章提出基于卷积神经网络的图像目标检测优化算法。以最小代价函数作为卷积神经网络的学习目标,构建图像目标检测的深度残差网络模型,通过感兴趣区域网络获取图像目标候选区域,获取图像目标的分类层输出和预测层输出。实验结果表明:该算法检测到图像精度在97.36%以上。

基于SE模块和ResNet的番茄病虫害识别方法

番茄病虫害是引起番茄减产的重要因素。精确识别病虫害种类是当前国际热点问题之一,有助于及时有效采取针对性的病虫防治办法,减少和避免因番茄减产导致的经济损失。针对传统虫害识别方法存在效率和精确率低的问题,利用Kaggle网站上的Tomato数据集,构建基于压缩和激励(SE)模块的深度残差网络模型(ResNet),优化番茄病虫害识别方法。结果表明:通过Pytorch框架下的迁移学习,改进后的网络模型对番茄病虫害图像的平均识别准确率最高为97.96%;基于SE模块的ResNet网络模型有助于增强特征区分能力,增加模型的通用性和鲁棒性。研究结果对番茄病虫害的及时监测和处理、提高番茄产量具有重要意义。