Name: Kompleksowa głęboka sieć neuronowa do wykrywania istotnych obiektów w złożonych środowiskach (Wideo) | JoVE Journal
Uploaded: 2023-12-15T13:10:00.000+00:00
Duration: 3 min 31 s
Description: Poznaj nową metodę wykrywania istotnych obiektów w złożonych środowiskach przy użyciu głębokich sieci neuronowych. Algorytm poprawia dokładność segmentacji izolatorów w inteligentnych sieciach energetycznych.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ta praca jest wspierana przez 2024 Henan Provincial Higher Education Institutions Key Scientific Research Project Funding Program Establishment (Numer projektu:24A520053). Badanie to jest również wspierane przez Specjalistyczny Kurs Demonstracyjny Tworzenia i Integracji w Prowincji Henan.

1. Konfiguracja i procedura eksperymentalna
<ol>
	<li>Załaduj wstępnie wytrenowany model VGG16. 
	UWAGA: Pierwszym krokiem jest załadowanie wstępnie wytrenowanego modelu VGG16 z biblioteki Keras6.
	<ol>
		<li>Aby załadować wstępnie wytrenowany model VGG16 w języku Python przy użyciu popularnych bibliotek uczenia głębokiego, takich jak PyTorch (zobacz tabelę materiałów), wykonaj następujące ogólne kroki:
		<ol>
			<li>Importuj pochodnię. Zaimportuj torchvision.models jako modele.</li>
			<li>Załaduj wstępnie wytrenowany model VGG16. vgg16_model = models.vgg16(pretrained=True).</li>
			<li>Upewnij się, że podsumowanie modelu VGG16 to "print(vgg16_model)".</li>
		</ol>
		</li>
	</ol>
	</li>
	<li>Zdefiniuj modele DCL i DEDN.
	<ol>
		<li>W przypadku pseudokodu algorytmu DCL podaj dane wejściowe: zestaw danych obrazu SOD i dane wyjściowe: wytrenowany model DCL.
		<ol>
			<li>Zainicjuj model DCL z siecią szkieletową VGG16.</li>
			<li>Wstępnie przetwórz zestaw danych obrazu D (np. zmiana rozmiaru, normalizacja).</li>
			<li>Podziel zestaw danych na zestawy trenowania i walidacji.</li>
			<li>Zdefiniuj funkcję straty do trenowania modelu DCL (np. binarna entropia krzyżowa).</li>
			<li>Ustaw hiperparametry trenowania: współczynnik uczenia się (0,0001), liczba ustawionych epok trenowania (50), rozmiar partii to (8), optymalizator (Adam).</li>
			<li>Trenowanie modelu DCL: dla każdej epoki w zdefiniowanej liczbie epok wykonaj dla każdej partii w zestawie treningowym. Wprowadź następujące informacje:
			<ol>
				<li>Przekazywanie do przodu: Przekazywanie obrazów wsadowych do modelu DCL. Oblicz stratę, korzystając z przewidywanych map istotności i map prawdy podstawowej.</li>
				<li>Przejście do tyłu: Zaktualizuj parametry modelu przy użyciu końca spadku gradientu. Obliczanie straty walidacji i innych metryk oceny na końcu zestawu walidacji.</li>
			</ol>
			</li>
			<li>Zapisz wytrenowany model DCL.</li>
			<li>Zwróć wytrenowany model DCL.</li>
		</ol>
		</li>
		<li>W przypadku pseudokodu dla algorytmu DEDN dane wejściowe: zestaw danych obrazu (X), mapy istotności prawdy podstawowej (Y), liczba iteracji trenowania (N).
		<ol>
			<li>W przypadku sieci kodera upewnij się, że koder jest oparty na szkielecie VGG16 z modyfikacjami (jak wspomniano poniżej). 
			UWAGA: encoder_input = Wejście(kształt=input_shape) 
			encoder_conv1 = Conv2D(64, (3, 3), activation='relu', padding='same')(encoder_input) 
			encoder_pool1 = MaxPooling2D((2, 2))(encoder_conv1) 
			encoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(encoder_pool1) 
			encoder_pool2 = MaxPooling2D((2, 2))(encoder_conv2) 
			encoder_conv3 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool2) 
			encoder_pool3 = MaxPooling2D((2, 2))(encoder_conv3)</li>
			<li>W przypadku sieci dekodera upewnij się, że dekoder jest oparty na szkielecie VGG16 z modyfikacjami (jak wspomniano poniżej). 
			UWAGA: decoder_conv1 = Conv2D(256, (3, 3), activation='relu', padding='same')(encoder_pool3) 
			decoder_upsample1 = UpSampling2D((2, 2))(decoder_conv1) 
			decoder_conv2 = Conv2D(128, (3, 3), activation='relu', padding='same')(decoder_upsample1) 
			decoder_upsample2 = UpSampling2D((2, 2))(decoder_conv2) 
			decoder_conv3 = Conv2D(64, (3, 3), activation='relu', padding='same')(decoder_upsample2) 
			decoder_upsample3 = UpSampling2D((2, 2))(decoder_conv3) 
			decoder_output = Conv2D(1, (1, 1), activation='sigmoid', padding='same')(decoder_upsample3)</li>
		</ol>
		</li>
		<li>Zdefiniuj model DEDN. model = Model (dane wejściowe = encoder_input, wyjścia = decoder_output).</li>
		<li>Skompiluj model. model.compile (optymalizator = adam, strata = binary_crossentropy).</li>
		<li>Wybierz pętlę treningową. 
		UWAGA: Dla iteracji w zakresie (N): # Losowo wybierz partię obrazów i map prawdy podstawowej; batch_X, batch_Y = randomly_select_batch(X, Y, batch_size).
		<ol>
			<li>Trenowanie modelu w partii. strata = model.train_on_batch(batch_X, batch_Y). Wydrukuj stratę do monitorowania.</li>
		</ol>
		</li>
		<li>Zapisz wytrenowany model. model.save ('dedn_model.h5').</li>
	</ol>
	</li>
	<li>mieszać.
	<ol>
		<li>Połącz dane wyjściowe sieci DCL i DEDN i udoskonal mapę istotności przy użyciu w pełni połączonego modelu warunkowego pola losowego (CRF).</li>
	</ol>
	</li>
</ol>
2. Przetwarzanie obrazu
<ol>
	<li>Kliknij uruchom kod, aby wyświetlić interfejs GUI (Rysunek 4).</li>
	<li>Kliknij otwarty obraz, aby wybrać ścieżkę, a tym samym obraz, który ma zostać wykryty.</li>
	<li>Kliknij wyświetlany obraz, aby wyświetlić obraz, który został wybrany do wykrycia.</li>
	<li>Kliknij rozpocznij wykrywanie, aby wykryć wybrany obraz. 
	UWAGA: Wynik wykrywania pojawi się wraz z wykrytym obrazem, tj. wynikiem istotnego obiektu (Rysunek 5).</li>
	<li>Kliknij wybierz ścieżkę zapisu, aby zapisać wyniki obrazu wykrywania istotnego obiektu.</li>
</ol>

Enhanced Precision in Salient Object Detection Using Deep Neural Networks

<ol><li>Wang, W. G., Shen, J. B., Ling, H. B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+deep+network+solution+for+attention+and+aesthetics+aware+photo+cropping%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">A deep network solution for attention and aesthetics aware photo cropping.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 41 (7), 1531-1544 (2018).</li>
<li>Wang, W. G., Sun, G. L., Gool, L. V. Looking beyond single images for weakly supervised semantic segmentation learning. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWang%2C+WG+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine%22">IEEE Transactions on Pattern Analysis and Machine</a>. , (2022).</li>
<li>Mei, H. L., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Exploring+dense+context+for+salient+object+detection%5BTitle%5D)+AND+%22IEEE+Transactions+on+Circuits+and+Systems+for+Video+Technology%22%5BJournal%5D)">Exploring dense context for salient object detection.</a> IEEE Transactions on Circuits and Systems for Video Technology. 32 (3), 1378-1389 (2021).</li>
<li>Borji, A., Itti, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((State-of-the-art+in+visual+attention+modeling%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">State-of-the-art in visual attention modeling.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 35 (1), 185-207 (2012).</li>
<li>Fully convolutional networks for semantic segmentation. Long, J., Shelhamer, E., Darrell, T. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3431-3440 (2015).</li>
<li>Simonyan, K., Zisserman, A. Very deep convolutional networks for large-scale image recognition. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSimonyan%2C+K+%22arXiv+preprint%22">arXiv preprint</a>. , 1409-1556 (2014).</li>
<li>Deep residual learning for image recognition. He, K., Zhang, X., Ren, S., Sun, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 770-778 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>Wu, R., et al. A mutual learning method for salient object detection with intertwined multi-supervision. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Deep contrast learning for salient object detection. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 478-487 (2019).</li>
<li>Ren, Q., Hu, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Multi-scale+deep+encoder-decoder+network+for+salient+object+detection%5BTitle%5D)+AND+%22Neurocomputing%22%5BJournal%5D)">Multi-scale deep encoder-decoder network for salient object detection.</a> Neurocomputing. 316, 95-104 (2018).</li>
<li>Wang, W. G., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Salient+object+detection+in+the+deep+learning+era%3A+An+in-depth+survey%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Salient object detection in the deep learning era: An in-depth survey.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (6), 3239-3259 (2021).</li>
<li>Zhou, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((RGB-D+salient+object+detection%3A+A+survey%5BTitle%5D)+AND+%22Computational+Visual+Media%22%5BJournal%5D)">RGB-D salient object detection: A survey.</a> Computational Visual Media. 7, 37-69 (2021).</li>
<li>Fu, K., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Siamese+network+for+RGB-D+salient+object+detection+and+beyond%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Siamese network for RGB-D salient object detection and beyond.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 44 (9), 5541-5559 (2021).</li>
<li>Lai, Q., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Weakly+supervised+visual+saliency+prediction%5BTitle%5D)+AND+%22IEEE+Transactions+on+Image+Processing%22%5BJournal%5D)">Weakly supervised visual saliency prediction.</a> IEEE Transactions on Image Processing. 31, 3111-3124 (2022).</li>
<li>A bi-directional message passing model for salient object detection. Zhang, L., Dai, J., Lu, H., He, Y., Wang, G. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1741-1750 (2018).</li>
<li>A mutual learning method for salient object detection with intertwined multi-supervision. Wu, R. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, , 8150-8159 (2019).</li>
<li>Wang, W., Shen, J., Dong, X., Borji, A., Yang, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Inferring+salient+objects+from+human+fixations%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Inferring salient objects from human fixations.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 42 (8), 1913-1927 (2019).</li>
<li>Design and perceptual validation of performance measures for salient object segmentation. Movahedi, V., Elder, J. H. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops, , 49-56 (2010).</li>
<li>Shi, J., Yan, Q., Xu, L., Jia, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Hierarchical+image+saliency+detection+on+extended+CSSD%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Hierarchical image saliency detection on extended CSSD.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 38 (4), 717-729 (2015).</li>
<li>Frequency-tuned salient region detection. Achanta, R., Hemami, S., Estrada, F., Susstrunk, S. 2009 IEEE Conference on Computer Vision and Pattern Recognition, , 1597-1604 (2009).</li>
<li>Saliency detection via graph-based manifold ranking. Yang, C., Zhang, L., Lu, H., Ruan, X., Yang, M. H. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 3166-3173 (2013).</li>
<li>Wei, Y., et al. Geodesic saliency using background priors. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aWei%2C+Y+%22Computer+Vision-ECCV+2012%22">Computer Vision-ECCV 2012</a>. , Springer. Berlin Heidelberg. 29-42 (2012).</li>
<li>What makes a patch distinct. Margolin, R., Tal, A., Zelnik-Manor, L. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 1139-1146 (2013).</li>
<li>Saliency filters: Contrast based filtering for salient region detection. Perazzi, F., Krähenbühl, P., Pritch, Y., Hornung, A. 2012 IEEE Conference on Computer Vision and Pattern Recognition, , 733-740 (2012).</li>
<li>Hou, X., Harel, J., Koch, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Image+signature%3A+Highlighting+sparse+salient+regions%5BTitle%5D)+AND+%22IEEE+Transactions+on+Pattern+Analysis+and+Machine+Intelligence%22%5BJournal%5D)">Image signature: Highlighting sparse salient regions.</a> IEEE Transactions on Pattern Analysis and Machine Intelligence. 34 (1), 194-201 (2011).</li>
<li>Salient object detection: A discriminative regional feature integration approach. Jiang, H., et al. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 2083-2090 (2013).</li>
<li>Visual saliency based on multiscale deep features. Li, G., Yu, Y. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 5455-5463 (2015).</li>
<li>Deep saliency with encoded low level distance map and high-level features. Lee, G., Tai, Y. W., Kim, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 660-668 (2016).</li>
<li>Dhsnet: Deep hierarchical saliency network for salient object detection. Liu, N., Han, J. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, , 678-686 (2016).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

W artykule przedstawiono kompleksową głęboką sieć neuronową zaprojektowaną specjalnie do wykrywania istotnych obiektów w złożonych środowiskach. Sieć składa się z dwóch połączonych ze sobą komponentów: wieloskalowej sieci konwolucyjnej (DCL) na poziomie pikseli oraz sieci głębokiego kodera i dekodera (DEDN). Komponenty te działają synergicznie, włączając semantykę kontekstową w celu generowania kontrastów wizualnych na wieloskalowych mapach obiektów. Ponadto wykorzystują zarówno głębokie, jak i płytkie cechy obrazu, aby ...

<table><tbody><tr><td>Matlab</td><td>MathWorks</td><td>Matlab R2016a</td><td>Interfejs programistyczny MATLAB zapewnia narzędzia programistyczne poprawiające jakość kodu, łatwość konserwacji i maksymalizujące wydajność. Zapewnia narzędzia do tworzenia aplikacji przy użyciu niestandardowych interfejsów graficznych. Zapewnia narzędzia do łączenia algorytmów opartych na MATLAB z zewnętrznymi aplikacjami i językami</td></tr><tr><td>Procesor&nbsp;</td>Procesor <td>Intel</td><td>Intel(R) Core(TM) i5-1135G7 @ 2,40 GHz</td><td>64-bitowy Win11 11. generacji&nbsp;</td></tr><tr><td>Pycharm</td><td>JetBrains</td><td>PyCharm 3.0</td><td>PyCharm to IDE Pythona (zintegrowane środowisko programistyczne) lista wymaganych python: modulesmatplotlib skimage torch os time pydensecrf opencv glob PIL torchvision numpy tkinter</td></tr><tr><td>PyTorch&nbsp;</td><td>Facebook</td><td>PyTorch 1.4&nbsp;</td><td>PyTorch to biblioteka uczenia maszynowego Python o otwartym kodzie źródłowym oparta na Torch , używana do przetwarzania języka naturalnego i innych aplikacji. PyTorch może być postrzegany zarówno jako dodatek obsługa GPU numpy , ale może być również postrzegany jako potężna głęboka sieć neuronowa z automatycznymi pochodnymi .</td></tr></tbody></table>

kompleksowa głęboka sieć neuronowa do wykrywania istotnych obiektów w złożonych środowiskach

End-To-End Deep Neural Network for Salient Object Detection in Complex Environments

Wykrywanie istotnych obiektów stało się rosnącym obszarem zainteresowania w dziedzinie widzenia komputerowego. Jednak dominujące algorytmy wykazują zmniejszoną precyzję, gdy mają za zadanie wykrywanie istotnych obiektów w skomplikowanych i wieloaspektowych środowiskach. W świetle tego palącego problemu, w niniejszym artykule przedstawiono kompleksową głęboką sieć neuronową, której celem jest wykrywanie istotnych obiektów w złożonych środowiskach. W badaniu przedstawiono kompleksową głęboką sieć neuronową, której celem jest wykrywanie istotnych obiektów w złożonych środowiskach. Proponowana sieć, składająca się z dwóch powiązanych ze sobą komponentów, a mianowicie wieloskalowej sieci konwolucyjnej na poziomie pikseli oraz głębokiej sieci kodera-dekodera, integruje semantykę kontekstową w celu uzyskania kontrastu wizualnego na wieloskalowych mapach obiektów, wykorzystując jednocześnie głębokie i płytkie cechy obrazu w celu poprawy dokładności identyfikacji granic obiektów. Integracja w pełni połączonego modelu warunkowego pola losowego (CRF) dodatkowo zwiększa spójność przestrzenną i wyznaczanie konturów na istotnych mapach. Proponowany algorytm jest szeroko oceniany pod kątem 10 współczesnych algorytmów w bazach danych SOD i ECSSD. Wyniki oceny pokazują, że proponowany algorytm przewyższa inne podejścia pod względem precyzji i dokładności, potwierdzając tym samym jego skuteczność w wykrywaniu istotnych obiektów w złożonych środowiskach.

Niniejsze badanie wprowadza kompleksową głęboką sieć neuronową składającą się z dwóch komplementarnych sieci: wieloskalowej w pełni konwolucyjnej sieci na poziomie pikseli oraz głębokiej sieci typu enkoder-dekoder. Pierwsza sieć integruje semantykę kontekstową w celu wyprowadzenia kontrastów wizualnych z wieloskalowych map cech, rozwiązując problem stałych pól recepcyjnych w głębokich sieciach neuronowych w różnych warstwach. Druga sieć wykorzystuje zarówno głębokie, jak i płytkie cechy obrazu, aby złagodzić problem rozm...

Obecny protokół opisuje nowatorski algorytm wykrywania istotnych obiektów. Wykorzystuje głębokie sieci neuronowe w celu zwiększenia precyzji wykrywania istotnych obiektów w skomplikowanych kontekstach środowiskowych.

Kompleksowa głęboka sieć neuronowa do wykrywania istotnych obiektów w złożonych środowiskach

Salient object detection has emerged as a burgeoning area of interest within the realm of computer vision. However, prevailing algorithms exhibit ...

Nasze badania obejmują wykrywanie istotnych obiektów, widzenie komputerowe, przetwarzanie obrazu i wiele innych. Chcemy zareagować na zastosowanie wykrywania istotnych obiektów, takie jak jego wykorzystanie w inteligentnej sieci do kontroli izolatorów. Kolejny postęp badawczy polega na przeniesieniu istotnych algorytmów obiektowych do uczenia się w kontekście inteligentnych sieci.Konwolucyjne sieci neuronowe mogą skuteczniej działać jako istotne informacje z obrazów, usprawniając przetwarzanie wykrywania istotnych obiektów. W związku z tym naprzód badania w zakresie wykrywania istotnych obiektów. Wyniki naszych badań poprawiają dokładność wykrywania istotnych obiektów i pozwalają na transfer algorytmów, takich jak ich zastosowanie w inteligentnych sieciach do skutecznej segmentacji i wykrywania izolatorów.Aby rozpocząć, załaduj bibliotekę uczenia głębokiego w języku Python, taką jak PyTorch. Importuj modele pochodni i wizji pochodni jako modele. Następnie załaduj wstępnie wytrenowany model VCG16.Aby wygenerować pseudokod algorytmu DCL, podaj zestaw danych obrazu SOD w polu wejściowym i użyj wytrenowanego modelu DCL jako pola wyjściowego. Teraz zainicjuj model DCL z siecią szkieletową VGG16. Wstępnie przedrukuj zestaw danych obrazu, a następnie podziel zestaw danych na zestawy treningowe i weryfikacyjne.Zdefiniuj funkcję straty do trenowania modelu DCL. Ustaw hiperparametry trenowania na 0,0001 dla szybkości uczenia się, 50 jako liczbę ustawionych epok trenowania, 8 jako rozmiar partii, a adam jako optymalizator. Połącz dane wyjściowe sieci DCL i DEDN i udoskonal mapę istotności przy użyciu w pełni połączonego modelu warunkowego pola losowego.Aby przetworzyć obraz, kliknij kod uruchamiania, aby wyświetlić interfejs GUI. Teraz naciśnij otwórz obraz, aby wybrać wybrany obraz do wykrycia. Następnie naciśnij przycisk wyświetl obraz, aby wyświetlić wybrany obraz.Kliknij rozpocznij wykrywanie, aby wykryć wybrany obraz. Na koniec naciśnij wybierz ścieżkę zapisu i wybierz odpowiednią lokalizację pliku, aby zapisać wyniki obrazu. Usunięcie modelu DCL z algorytmu spowodowało spadek wartości F-beta i wzrost wartości EMAE.Ten algorytm usuwa tylko strukturę DEDN. Zaobserwowano podobny spadek wartości F-beta i wzrost wartości EMAE w porównaniu z kompletnym modułem. Algorytm DCL opisywał granicę docelową podczas wykrywania obrazów w bazie danych SOD, ale miał trudności ze skutecznym filtrowaniem tła.Jednak algorytm DEDN wzmocnił granicę docelową, ale stłumił informacje o nadmiarowości tła.

end-to-end-deep-neural-network-for-salient-object-detection-complex

Research

JoVE Journal

Engineering

Inżynieria

Celem tego protokołu jest wykorzystanie gotowych konwolucyjnych sieci neuronowych do automatyzacji śledzenia zachowań i przeprowadzania szczegółowej analizy zachowań. Śledzenie zachowania może być stosowane do dowolnych danych wideo lub sekwencji obrazów i można je uogólnić w celu śledzenia dowolnego obiektu zdefiniowanego przez użytkownika.

Implementacja DeepBehavior, zestawu narzędzi do głębokiego uczenia się krok po kroku do automatycznej analizy zachowania

Celem pracy przedstawionej w tym artykule jest opracowanie technologii automatycznego rozpoznawania produktów spożywczych i napojów na podstawie zdjęć wykonanych przez urządzenia mobilne. Technologia ta składa się z dwóch różnych podejść - pierwsze z nich wykonuje rozpoznawanie obrazów żywności, a drugie segmentację obrazów żywności.

Głębokie sieci neuronowe do oceny diety w oparciu o obraz

Celem niniejszego eksperymentu jest określenie i kontrolowanie wielkości, kształtu oraz stabilności samoorganizujących się amfifili dyskotycznych w wodzie. W przypadku wodnych polimerów supramolekularnych osiągnięcie takiego poziomu kontroli jest bardzo trudne. Zastosowano strategię wykorzystującą zarówno oddziaływania odpychające, jak i przyciągające. Techniki eksperymentalne użyte do charakterystyki tego układu mają szerokie zastosowanie.

Kontrola rozmiaru, kształtu i stabilności polimerów supramolekularnych w wodzie

Opisujemy zastosowanie pulsacyjnego osadzania laserowego (PLD), fotolitografii i technik łączenia drutów do tworzenia złożonych urządzeń tlenkowych w skali mikrometrycznej. PLD jest wykorzystywany do hodowli cienkich warstw epitaksjalnych. Wprowadza się techniki fotolitografii i łączenia drutowego w celu stworzenia praktycznych urządzeń do celów pomiarowych.

Wytwarzanie przestrzennie ograniczonych złożonych tlenków

Ze względu na znaczenie i szerokie zastosowanie palladu, złota i kobaltu w sprzęcie high-tech, ich odzysk i recykling stanowią ważne wyzwanie przemysłowe. Opisany w niniejszym dokumencie system odzysku metali jest prostym, tanim sposobem na skuteczne wykrywanie, usuwanie i odzysk tych metali z kopalni miejskiej.

Wykrywanie i odzyskiwanie palladu, złota i metali kobaltowych z kopalni miejskiej przy użyciu nowatorskich czujników/adsorbentów oznaczonych nanoskalowymi porami w kształcie koła wagonowego

Skaner do obrazowania cząstek magnetycznych w próbkach płaskich został opracowany przy użyciu techniki detekcji magnetycznej z mieszaniem częstotliwości planarnej. Reakcja produktu intermodulacji magnetycznej na nieliniowe niehisteretyczne namagnesowanie cząstek jest rejestrowana po wzbudzeniu dwuczęstotliwościowym. Może być używany do wykonywania obrazów 2D cienkich próbek biologicznych.

Skaner detekcji magnetycznej z mieszaniem częstotliwości do obrazowania cząstek magnetycznych w próbkach planarnych

Ten artykuł przedstawia oparte na impedancji urządzenie do wykrywania szybkości parowania roztworów. Oferuje wyraźne zalety w porównaniu z konwencjonalnym podejściem do odchudzania: szybka reakcja, wykrywanie o wysokiej czułości, wymóg małej próbki, wielokrotne pomiary próbek i łatwy demontaż w celu czyszczenia i ponownego użycia.

Wysokowydajna platforma oparta na impedancji do wykrywania szybkości parowania

Tutaj prezentujemy procedurę pomiaru jednoczesnej impedancji, reologii i rozpraszania neutronów z materiałów miękkiej materii pod wpływem przepływu ścinającego.

Dielektryk RheoSANS — Jednoczesne badanie impedancji, reologii i rozpraszania neutronów pod małym kątem złożonych płynów

Celem protokołu jest stworzenie ciekłokrystalicznych warstw polimerowych, które mogą mechanicznie oscylować pod wpływem ciągłego promieniowania światłem. Szczegółowo opisujemy koncepcję folii wolnostojących, od metody wyrównywania ciekłokrystalicznego po fotoaktywację. Protokół eksperymentalny zastosowany do przygotowania tego materiału ma szerokie zastosowanie.

Przygotowanie sieci ciekłokrystalicznych do makroskopowych ruchów oscylacyjnych indukowanych światłem

Ten artykuł przedstawia protokół do zasiewania rzadkiej populacji komórek za pomocą końcówek pipet do kropelkowych urządzeń mikroprzepływowych w celu zapewnienia wyższej efektywności enkapsulacji komórek w kropelkach.

Metoda oparta na końcówkach pipet do wysiewu komórek do kropelkowych platform mikroprzepływowych

Poznaj nową metodę wykrywania istotnych obiektów w złożonych środowiskach przy użyciu głębokich sieci neuronowych. Algorytm poprawia dokładność segmentacji izolatorów w inteligentnych sieciach energetycznych.

Kompleksowa głęboka sieć neuronowa do wykrywania istotnych obiektów w złożonych środowiskach

Przeglądaj więcej filmów