由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点,采用深度残差网络可以有效解决训练过程中过拟合问题,提高识别准确率.但是深度残差网络模型的训练参数多,时间复杂度高.为了提高训练效率,提高识别准确率,首先从理论上分析了...由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点,采用深度残差网络可以有效解决训练过程中过拟合问题,提高识别准确率.但是深度残差网络模型的训练参数多,时间复杂度高.为了提高训练效率,提高识别准确率,首先从理论上分析了深度残差网络模型的结构,通过修改网络结构,利用Inception结构代替残差网络中的卷积层、池化层,减少模型的训练参数数量,降低时间复杂度.在此基础上,提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network,IDRN),用Inception结构代替残差网络中的卷积池化层,用SeLU激活函数代替传统的ReLU函数.之后,在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证.理论和实验表明,与传统的卷积神经网络ResNet50相比,本文提出的新的分类算法降低了时间复杂度,提高了识别准确率.展开更多
文摘弱小船舶目标实时检测因在海上搜救、无人船和海上交通管理等领域中的众多应用而备受关注。虽然基于深度学习的目标检测算法,如YOLO(you only look once)和SSD(single shot multibox detector)等取得了不错的目标检测性能,但是它们仍然无法实时有效检测出海上弱小船舶运动目标。针对此问题,文章提出了一种改进的深度学习网络结构,结合SELU(scaled exponential linear units)激活函数,有效解决了已有的YOLOv2算法对弱小目标检测率较低的不足以及YOLOv3算法中残差网络结构冗余的问题。实验表明,该文提出的方法在海上弱小船舶目标检测上,比原YOLO算法具有更高的检测精度、更快的检测速度和更优良的鲁棒性。该方法在低配硬件环境中仍具有实时性的特点,因此对算法的推广应用具有实际的意义。
文摘由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点,采用深度残差网络可以有效解决训练过程中过拟合问题,提高识别准确率.但是深度残差网络模型的训练参数多,时间复杂度高.为了提高训练效率,提高识别准确率,首先从理论上分析了深度残差网络模型的结构,通过修改网络结构,利用Inception结构代替残差网络中的卷积层、池化层,减少模型的训练参数数量,降低时间复杂度.在此基础上,提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network,IDRN),用Inception结构代替残差网络中的卷积池化层,用SeLU激活函数代替传统的ReLU函数.之后,在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证.理论和实验表明,与传统的卷积神经网络ResNet50相比,本文提出的新的分类算法降低了时间复杂度,提高了识别准确率.