基于EfficientNet的糖尿病视网膜病变诊断模型

本文提出了一种基于EfficientNet的糖尿病视网膜病变诊断,通过使用MBConv卷积模块对原始图像进行卷积处理,通过“压缩-激励”模块对图像病灶施加注意力机制,并使用激活函数对神经网络进行调整。该方法在Kaggle APTOS数据集上取得了78.3%的五分类准确度及92.2%的二分类准确度,证明该方法的有效性,并且与文中提及的其他方法(VGG16,Inception等)对比有更高的准确率。

基于ECA注意力机制改进的EfficientNet-E模型的森林火灾识别

火灾的发生给社会带来了巨大损失,森林火灾防治任务日益迫切,而全球变暖的趋势使得这一问题更加复杂。深度学习在各行各业发挥着重要作用,大量模型也被不断地设计和提出,且模型改进的方式多种多样。文中提出了EfficientNet-E模型,它利用更为先进的ECA模块(高效通道注意力模块)来替换EfficientNet模型中的SE模块,通过增强注意力机制性能提升模型的性能。相较于SE模块,ECA模块更好地保留了传输中的信息,使得数据特征在传输过程中保留更充分,从而能够优化模型。为验证EfficientNet-E模型的性能,以及EfficientNet设计思想在森林火灾识别问题上相较于传统模型的优势,文中选取了经典模型中的代表——ResNet和DenseNet作为对照参考,并结合EfficientNet和EfficientNet-E进行了相关实验。实验选用3303张森林火灾、非火灾和烟雾图片。多轮试验结果显示,EfficientNet-E在识别森林火灾数据上的效果要好于常规的经典深度学习模型,且相较于原始EfficientNet的平均准确率(89.28%),EfficientNet-E的平均准确率(90.04%)有所提升,标准差更小,训练稳定性也更好,从而证实了改进后的EfficientNet-E性能更加优良。

基于改进型EfficientNet模型的木薯病害识别方法研究

为实现木薯病害图像的快速、准确识别,提出一种基于EfficientNet模型的木薯病害识别方法.首先针对输入样本的分布不平衡问题,通过Mixup、CutMix及GridMask这3种数据增强方法对数据进行增强,数据增强后由EfficientNet-B4模型提取特征,然后引入warmup结合余弦退火优化学习率防止模型在初期发生过拟合及后期收敛速度慢的情况.实验结果表明,所采用模型相较于近年来主流的VGG16及ResNet101模型不仅参数量远小于两者,在木薯病害图像分类上的表现也优于两者,且其计算量更少,模型精度更高,训练速度更快,符合实际应用的要求.EfficientNet模型在木薯病害数据上的分类准确率可达90%.

改进EfficientNet的多视图特征融合的CIN诊断

现有的计算机辅助宫颈图像诊断方法大多是基于醋酸或Lugol’s碘的单视图图像,忽略了容易因非病理组织引起的假阳性反应而造成误诊的问题。因此,该研究将3种视角的阴道镜图像通过通道级联方式作为总输入,构建以EfficientNet为主干网络的深度学习框架,用于宫颈上皮内瘤变的诊断。此外,由于阴道镜三视图内容的高度相关性和空间一致性,需要从通道和空间2个维度进行特征加权。因此,在EfficientNet内部嵌入了卷积块注意力模块(convolutional block attention module, CBAM)的特征融合层,进一步加强病灶特征选择能力。在真实临床阴道镜数据集上进行实验,准确率和F1-Score分别达到了88.5%和88.2%,曲线下面积(area under the curve, AUC)值为0.90。实验结果表明,所提方法可以帮助临床医生进行快速的宫颈上皮内瘤变(cervical intraepithelial neoplasia, CIN)诊断,并优于已知的相关工作。

基于改进EfficientNet的化纤色泽品质分类系统

化纤长丝是常见的纺织品原料之一,为保证化纤丝筒产品质量,必须在出厂前对其进行全面检测。对此,设计了一套化纤丝筒外观品质分类系统,可以实现对化纤丝筒的快速检测。首先对实验平台进行建模并完成搭建,然后实地采集四类化纤丝筒照片,并利用数据增强制成化纤色泽品质分类数据集。之后,为更好地融合化纤图片的多尺度信息,引入PANet结构代替FPN层。此外,为让网络模型在多尺度融合时关注重点特征,在PANet中引入PSA注意力机制。实验结果表明,该方法在当前数据集上达到99.87%的准确率,与ResNet,VGG,DenseNet等网络相比在精确率和召回率上均有提升,能有效完成化纤色泽的分类判断。

基于改进EfficientNet的花椒虫害识别模型

花椒虫害会导致花椒生长异常、产量下降和品质恶化。为及时准确地发现花椒虫害,本文提出了一种基于Efficient-Net的花椒虫害识别模型。通过实验对比GoogleNet、MobileNetV2、MobileNetV3、ShuffleNetV2、EfficientNet等深度学习网络,选取识别效果最好的EfficientNet网络构建花椒虫害识别模型,并通过改进MBConv模块提高模型的准确率。实验结果表明,改进后的模型准确率为94%,相比原始的EfficientNet网络提高了2%。本文提出的基于EfficientNet的花椒虫害识别模型具有较好的检测效果,能够应用于实际花椒地场景,对花椒虫害的监测和防治提供了有效的工具。

基于改进EfficientNet的表情识别方法

针对现有网络模型表情特征提取不充分以及表情数据存在类内差距大、类间差距小的问题,对模型训练中全局特征和局部特征的提取方法展开了研究,并提出了基于改进EfficientNet的表情识别方法。首先,在浅层网络中使用了大核Fused-MBConv卷积块提取全局特征;然后,在深层网络中使用了小核MBConv卷积块提取局部特征,并结合ACON激活函数,以EfficientNetB0为基线网络,构建了LA-EfficientNetB0网络;最后,通过Grad-CAM显示不同模型提取的特征对原图的关注区域,论证了本文全局特征和局部特征提取方法的有效性。结果表明,LA-EfficientNetB0在FER2013人脸表情数据集准确率达71.61%,优于VGG16、ResNet50、EfficientNetB0、EfficientNetV2B0网络模型。

基于改进EfficientNet的木材识别研究

木材是一种常见的可再生资源,不同品种的木材有着不同的用途和商业价值。传统的木材分类工作主要依靠人工完成,工作效率较低。为提高木材识别效率,提出一种基于改进EfficientNet的木材识别方法。该方法以EfficientNet作为基准模型,采用大核注意力模块代替部分移动翻转瓶颈卷积(Mobile Inverted Bottleneck Convolution,MBConv)模块中的压缩激励网络(squeeze-and-excitation networks,SENet),联合2种注意力机制使网络能更有效地提取木材细粒度信息。训练过程中引入渐进式学习策略,采用不同尺寸大小的图像和不同丢弃概率的Dropout层进行训练,进一步提升模型训练速度和识别准确率。试验结果表明,改进后的EfficientNet模型识别准确率达到99.83%,相比于未改进的EfficientNet模型提高了0.49%,且模型参数仅6.16 MB。该研究的模型能够很好地识别木材种类,为移动端部署木材种类识别模型提供参考。

融合卷积注意力模块的EfficientNet网络的肺炎X射线图像分类

为提高临床上对肺炎X射线图像诊断的效率及准确率,本研究基于EfficientNet网络模型,融合卷积注意力模块(convolutional block attention module, CBAM)提出了一种识别肺炎和正常图像的分类算法。首先,对数据进行增强以防止过拟合现象;其次,通过CBAM模块提升网络对肺炎病灶区的特征提取能力;最后,使用迁移学习加速网络训练,以提升分类性能。结果表明,该算法分类准确率、召回率、AUC分别达98.29%、98.03%、99.69%,可辅助医生高效、准确地实现肺炎诊断。

基于EfficientNet的迁移学习在近代文献 图像分类中的应用研究——以上海图书馆《中国近代文献图库》为例

[目的/意义]近代文献中的图像作为重要的历史史料,日益受到人文学者的重视,大规模图像资源的深度标注也随之成为图像数据基础设施建设的重要组成部分,利用深度学习对海量图像进行内容解析是图像研究的新方向。本文的研究目的,是通过基于EfficientNet的迁移学习在近代文献图像分类中的实证研究,解决大规模近代文献图像的自动分类问题,提高其在实际应用中的准确率和效率。[方法/过程]本文的研究方法,是根据近代文献图像中的特征分析,采用7645张近代文献图像数据集,通过裁切、白平衡、色调分离、仿射变换等图像增强手段串行叠加,提高样本图像的多样性,并通过对深度学习算法的研究,使用微调的简化EfficientNet深度卷积神经网络模型进行迁移学习,最终得到了在近代文献图像分类上表现良好的模型。[结果/结论]本文的研究结论,是根据实验结果发现,该模型有效提高了图像分类效率和分类准确性,对于解决近代文献中大规模图像的自动分类具有一定的推广价值。

基于Efficientnet的红外目标检测算法

针对复杂场景下红外目标检测存在准确率低、召回率低的问题,为了提高红外图像中的小目标以及被遮挡目标的检测识别能力,提出基于Efficientnet的红外目标检测算法。首先,将高效轻量的Efficientnet作为模型的特征提取主干网,降低模型的参数量,提升训练速度。在Efficientnet主干网的最后一个输出层引入SPP模块,丰富特征图的表达能力,进行多尺度融合,扩大特征图的感受野;在模型特征融合部分,使用FPN特征金字塔网络,特征融合后增加CSPNet模块和ECA注意力机制,加强特征提取。检测部分使用YOLO Head,对目标进行分类和回归,并用CIoU Loss作为边界框回归损失函数,提高对被遮挡目标的识别能力。实验结果表明,基于Efficientnet的模型大小仅为YOLOv3的18.8%,并且在FLIR数据集上mAP达到80.74%,相比于YOLOv3算法提高10.12%,该模型在减少模型参数量的同时,提升了检测精度。该模型在FLIR数据集上具有良好的泛化能力,提高了对小目标和遮挡目标的检测能力。

基于EfficientNet的滑坡遥感图像识别方法——以贵州省毕节市为例

近年来,随着工程建设的快速发展,工程活动改变了边坡原始地质条件,导致滑坡灾害频繁发生,严重威胁人民的生命财产安全。因此,深入研究滑坡的快速、精确识别方法对于防灾减灾具有重要意义。本文提出一种基于EfficientNet高效网络提取滑坡深度特征的潜在滑坡识别方法,该方法通过寻找一组最优的复合系数从深度、宽度、分辨率三个维度对神经网络进行扩展,自适应地优化网络结构,并引入带动量的梯度下降算法(Stochastic Gradient Descent Momentum,SGDM)作为网络学习的优化器,充分考虑历史梯度的影响,在参数更新过程中不断调整当前梯度值,从而相应地调整参数的更新幅度,改善神经网络的学习效果,提取滑坡体的深层次特征。实验结果表明,EfficientNet模型在测试集上的平均准确度达到92.78%,可以高效准确地实时提取滑坡信息,对灾后的快速反应有指导意义。

基于深度迁移学习的EfficientNet玉米叶部病害识别

灰斑病、锈病和大斑病给玉米产业造成巨大经济损失,精准诊断可降低其对农业发展的不良影响。文章基于深度迁移学习理论提出一种两阶段迁移学习的EfficientNet模型,解决识别复杂背景玉米叶部病害过程中出现的域迁移和小样本问题。经ImageNet至Plant Village及Plant Village至本地数据集(Localdataset)的两阶段迁移学习后,微调的EfficientNet模型与先进的深度网络模型在预留的玉米病叶数据集上进行预测。两阶段迁移学习试验表明,EfficientNet B4模型性能最优。第一阶段和第二阶段B4模型准确率分别达到98.61%和99.10%,F1分数达到0.9840和0.9908,此外B4模型参数量比先进深层卷积神经网络少。B0模型参数量对标轻量级卷积神经网络,识别效果优于两种经典MobileNet结构,更适合移动端搭载。此外,训练过程中应用Mish激活函数可提升模型性能。经两阶段迁移学习的EfficientNet有效解决训练不充分和域迁移等问题,为田间复杂背景下玉米叶部病害识别提供应用实例,为智慧农业移动设备开发提供理论基础。

基于改进EfficientNet的雷达信号调制方式识别

针对在复杂电磁环境下的雷达辐射源信号识别中传统方法失效,深度学习算法存在低信噪比下识别效果差、网络复杂参数多的问题,提出一种改进EfficientNet模型对雷达辐射源信号进行识别。首先引入卷积注意力模块(Convolutional Block Attention Module,CBAM)改进网络,提高网络对通道和空间特征的提取能力;结合h-Swish和ReLU两种激活函数进一步改进网络在保持网络精度的情况下加快网络训练;对样本进行标签平滑,对9种不同调制信号的时频图像做CutMix数据增强后输入网络,增强模型的泛化能力。通过实验分析,改进后的模型在信噪比为-10 dB的情况下对9种调制信号的综合识别率达到了94.24%,验证了该方法能够在低信噪比条件下有效识别雷达辐射源信号。

采用改进的EfficientNet识别苹果叶片病害

该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题,设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先,该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络,以提升模型特征提取能力,其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试,所提模型的识别准确率为99.13%,平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明,DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点,模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class activation mapping)热力图可视化结果表明所提模型重点关注了叶片病变区域。UMAP(uniform manifold approximation and projection)特征降维可视化结果表明所提模型提取的特征更具区分度。实际应用验证取得了97.73%的总体准确率以及95.82%的平均精度均值。综上,该研究提出的DEFL模型能够为苹果病害防治提供有效参考。

基于EfficientNet-YOLOv5s的绝缘子缺陷检测

针对目前复杂背景下绝缘子缺陷小目标检测准确率低的问题,提出一种深度学习框架下的EfficientNet-YOLOv5s神经网络检测算法,首先通过无人机航拍输电线路中含有各类绝缘子的图像,并通过图像增强技术丰富图像数据集,然后用EfficientNet网络替换YOLOv5s主干网络,用改进的网络对标注的绝缘子数据集进行训练和测试,最后对模型的损失函数和非极大值抑制算法加以改进,进一步解决绝缘子目标重叠导致的漏检问题。实验结果表明,改进的网络平均精度达到98.5%,满足输电线路中绝缘子缺陷检测要求。

基于EfficientNet对地震受灾建筑物破坏评估

为了实现对建筑物工程震害的图像数据进行智能化分析,以汶川地震、玉树地震等震后受损建筑物图片数据为研究对象,划分了4个建筑物受损类型,建立了震害数据集。通过使用深度学习EfficientNet模型,对图片中建筑物的受损类型进行识别,并通过使用数据增强技术扩大数据容量,同时采用迁移学习技术提高识别准确率,实验得到的模型对震害建筑物图片进行评估识别,达到87.45%的准确度。最后,用训练后的模型对青海玛多7.4级地震的震害数据进行识别,达到了85.71%的准确率,制作了灾情分布图。研究表明,本技术可以为地震后的建筑物受损程度和相关的灾情,提供快速智能化识别,对实现地震后自动化、智能化地提供受灾建筑物的破坏信息有一定实用价值。

低信噪比下基于分裂EfficientNet网络的雷达信号调制方式识别

针对低信噪比条件下复杂多类雷达信号调制方式识别率低的问题,本文提出了一种基于时频分析和深度学习的雷达信号调制方式识别方法.利用CTFD(Cohen class Time-Frequency Distribution)时频分析将信号时域波形变换为二维时频图像,更清晰地表征信号特征;采用灰度化和双三次插值运算等方法对时频图预处理,实现图像通道数和尺寸的减少,以降低深度学习模型数据输入量;进一步调整输入输出通道数构建小型EfficientNet网络,再由多个小型网络并行处理构建分裂网络EfficientNet-B0-Split3,将时频图像输入网络实现雷达信号调制方式识别.实验结果表明,在信噪比为-8 dB时,新方法对17类不同调制方式的雷达信号整体识别率可达97.1%,相对于扩张残差网络提高约2.4个百分点;在信噪比为-10 dB时,识别率可达92.1%,相对于EfficientNet提高约0.7个百分点,提升了低信噪比条件下复杂多类雷达信号调制方式识别率.

基于改进EfficientNet的板栗分级方法

针对人工或机械振动筛对板栗分级精度低的问题,提出基于浅层卷积神经网络的板栗分级方法。用小米手机拍摄获取5种级别板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。学习EfficientNet的网络结构,设计的浅层卷积神经网络(Efnet-1)由1个普通卷积模块和3个MB卷积模块构成板栗图像特征提取器。特征提取器连接一个由全局平均池化层、隐含层和输出层组成的分类器。在Efnet-1模型的训练过程中对相关超参数进行优化。对比分析Efnet-1与深度学习模型AlexNet的板栗分级性能。Efnet-1对板栗的分级准确率是98.68%,坏板栗被分为好的板栗的比例不大于0.9%。Efnet-1的板栗图像分类时间为62 ms。改进的卷积神经网络模型Efnet-1对板栗的分级快速而准确,为板栗的自动化分级提供技术基础。

基于改进EfficientNet的轻量型白细胞图像识别模型

针对白细胞识别模型的部署受到参数数量和计算的限制,导致白细胞识别准确率较低和模型泛化能力较差等问题,提出了一种基于改进EfficientNet的轻量高效的白细胞图像识别模型。首先,减少主要模块堆叠减少模型参数量,同时添加特征层间的跳跃连接保证信息的传递;其次,用改进的有效通道注意力和DropBlock2D对主要模块进行调整,使模型捕获更多通道和细节的特征信息,以提升模型的准确率和泛化能力;最后,使用带有标签平滑的交叉熵损失函数对模型进行训练,加快模型的收敛,以进一步提高模型的泛化能力。实验结果表明,改进后模型的参数量为2.49 M,较改进前减少了1.11 M,降低了模型复杂度,在混合数据集上达到了99.67%的准确率,较改进前提高了0.37%,在公共数据集BCCD2上达到了100%的准确率,高于现有的白细胞识别模型的准确率,验证了该模型在保持轻量级计算的基础上,具有较高的准确率和良好的泛化能力。