基于改进YOLOv5的安全帽检测算法研究

针对现有的安全帽检测算法参数量大,不利于嵌入式端部署,且密集目标存在漏检等情况,本文做出以下改进:对模型的主干特征网络用更加轻量的MobileViTv2网络进行替换并引入轻量级的无参卷积注意力模块(SimAM),再结合大卷积核RepLKNet架构对原有的超深小卷积核进行改进,在减少参数量的同时提升了精度。实验结果表明,改进后的算法平均精度达到96%,提升了1.8%,模型大小降低了31%。同时能满足实际场景对安全帽检测精度和速度的要求。

基于EMobileNet的肝硬化图像分类网络研究

为了解决肝硬化病理图像分类准确率低的问题,基于复合卷积神经网络提出了一种更准确的对肝硬化病理图像分类的深度学习模型EMobileNet.EMobileNet是在EfficientNetV2网络的基础上,插入可分离自注意力模块MobileViTv2,并引入四阶龙格-库塔残差块调整MBViTconv模块间的连接方式.肝硬化病理图像数据集由华中科技大学同济医学院附属同济医院提供,实验采用十折交叉验证法对线阵和凸阵图像分别进行训练并分类.对所提出模型进行消融实验并与多种经典网络效果进行对比,结果显示EMobileNet模型在三分类任务上达到了97.89%的总体准确率,显著提高了检测性能,可以取得较高精度的肝硬化病理图像分类效果.