针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免...针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.展开更多
目的基于眼底彩照,分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的D...目的基于眼底彩照,分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的DR诊断模型的应用价值。方法收集大样本的眼底彩照29535张(含DR 9883张、正常眼底2000张、用于做鉴别诊断的其他致盲性眼底病17652张)。分别采用经典卷积神经网络DenseNet121和轻量级网络GhostNet建模,并借助迁移学习做模型训练。采用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)、灵敏度、特异度、准确率评价模型性能。结果与基于DenseNet121的模型相比,基于GhostNet的模型对单张眼底照的诊断时间缩短了60.3%。在DR的诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.911、0.888、0.934、91.3%,基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.954、0.921、0.986、95.5%。在DR与其他眼底病的鉴别诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.862、0.856、0.901、87.8%;基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.899、0.871、0.935、90.2%。结论基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型,其诊断效率较经典模型DenseNet121有显著提升,并且模型兼具较高的准确率。对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构,可考虑应用该技术开展DR的初筛。展开更多
文摘针对现有轻量级模型在嵌入式设备的人脸识别应用中存在识别精度难以提升的问题,提出一种融合人脸对齐关键特征点信息的轻量级新残差网络模型(Lightweight New Residual Network,LNRN).LNRN利用深度残差网络结构能够解决网络退化且避免干扰因素影响的优势,结合人脸对齐环节产生的关键特征点信息,对深度残差网络结构进行简化和合理设计,实现对关键特征信息和全局信息的提取.为避免特征提取过程中丢失重要特征信息,该模型在新残差网络中加入结合空间和通道的注意力机制进行辅助.在公开的四个标准人脸数据集上的仿真实验表明,该模型识别速度在接近主流轻量级人脸识别方法的同时,平均识别精度比MobiFace提高了0.6%.
文摘目的基于眼底彩照,分别应用经典卷积神经网络DenseNet121和轻量级网络GhostNet训练糖尿病视网膜病变(diabetic retinopathy,DR)的诊断模型(将DR和正常眼底做区分)和鉴别诊断(将DR和其他眼底病做区分)模型,评价基于轻量级网络GhostNet的DR诊断模型的应用价值。方法收集大样本的眼底彩照29535张(含DR 9883张、正常眼底2000张、用于做鉴别诊断的其他致盲性眼底病17652张)。分别采用经典卷积神经网络DenseNet121和轻量级网络GhostNet建模,并借助迁移学习做模型训练。采用受试者工作特征(receiver operating characteristic,ROC)曲线及其曲线下面积(area under the curve,AUC)、灵敏度、特异度、准确率评价模型性能。结果与基于DenseNet121的模型相比,基于GhostNet的模型对单张眼底照的诊断时间缩短了60.3%。在DR的诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.911、0.888、0.934、91.3%,基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.954、0.921、0.986、95.5%。在DR与其他眼底病的鉴别诊断方面,基于GhostNet的模型的AUC值、灵敏度、特异度、准确率分别为0.862、0.856、0.901、87.8%;基于DenseNet121的模型的AUC值、灵敏度、特异度、准确率分别为0.899、0.871、0.935、90.2%。结论基于GhostNet轻量级神经网络构建的DR诊断模型和鉴别诊断模型,其诊断效率较经典模型DenseNet121有显著提升,并且模型兼具较高的准确率。对于社区医院等缺乏眼科医师且设备性能不高的基层医疗机构,可考虑应用该技术开展DR的初筛。
