Sep, 2023

利用卷积神经网络迁移学习算法非破坏性检测鸡蛋的受精情况

PDF
TL;DR通过对 200 个鸡蛋图像进行训练和评估（应用了增强图像技术），本研究探索了 CNN - 迁移学习在精密禽类孵化场中非破坏性鸡蛋受精率检测的应用。结果表明，InceptionNet 模型在区分有受精和无受精鸡蛋方面表现最佳，通过独特的架构捕捉了不同尺度的特征，从而提高了准确性和稳健性。然而，对其他模型在准确检测鸡蛋受精率方面存在的局限性，需要进一步优化和微调模型以提高性能。该研究突出了 CNN - 迁移学习在非破坏性受精率检测中的潜力，并强调了进一步研究以提升模型能力和保证准确分类的必要性。
发现论文，激发创造
  • 乳腺癌组织病理图像分类的双重迁移学习

    该论文提出了一种基于迁移学习和支持向量机分类器的方法，用于对乳腺癌组织病理学图像进行分类，实现了除去不相关区域从而提高分类准确率的目的，相较于现有技术，在 4 个乳腺癌放大倍数中，已有三个倍数的方法表现更为优异。

    Apr, 2019

  • 发挥迁移学习模型的力量进行复杂昆虫检测：革新昆虫分类

    通过使用计算机视觉和机器学习等先进技术，本研究构建并评估了基于 ResNet152V2 架构的卷积神经网络模型，实现了 99% 的训练准确率和 97% 的测试准确率，突出了其在昆虫分类和昆虫学研究中的潜力，以及对全球粮食安全和农业生产的重要作用。

    Jun, 2024

  • 基於深度卷積神經網絡的計算機輔助檢測：CNN 架構、數據集特徵和轉移學習

    该论文主要探讨了如何在医学成像领域中运用深度卷积神经网络实现计算机辅助检测。作者对不同的卷积神经网络结构进行了评估，并考虑了数据集规模和图像空间背景对性能的影响。文章还阐述了将 ImageNet 预训练模型迁移到医学成像问题中的有效性，并通过两个计算机辅助检测问题的实验展示了更好的性能。

    Feb, 2016

  • 基于迁移学习的乳腺癌组织病理图像检测深度分析

    本研究使用 2453 个组织病理学图像数据集，分离有侵袭性导管癌（IDC）和无 IDC 的数据，分析了预训练的深度迁移学习模型如 ResNet50、ResNet101、VGG16 和 VGG19 在检测乳腺癌方面的应用，研究发现 ResNet50 模型的准确率可达 90.2％，曲线下面积（AUC）率为 90.0％，召回率为 94.7％，不适当损失为 3.5％。

    Apr, 2023

  • 卷积神经网络在乳腺癌筛查中的应用：指数衰减下的迁移学习

    本文提出一种基于卷积神经网络模型的计算机辅助诊断系统，通过迁移学习和微调层次，探索了在大数据稀缺的情况下分类乳腺肿块病变的方式，与其他方案相比表现更佳。

    Nov, 2017

  • 基于深度学习的猪形态分类，重点关注卫生监测

    评估使用 D-CNN 算法对猪体条件进行分类的研究，主要关注卫生监测中观察到的特征，包括尾部咬食、耳血肿、身体擦伤、发红和自然污渍（棕色或黑色）。研究结果表明，D-CNN 对与皮肤特征相关的猪体形态偏差具有有效分类能力，并通过分析 Precision、Recall、F-score、ANOVA 和 Scott-Knott 测试等性能指标进行评估。该研究的贡献在于提出了在猪类形态学分类中使用 D-CNN 网络的方法，并创建了一个新的图像数据库，可用于未来研究。

    Mar, 2024

  • 使用深度学习进行乳腺癌检测

    本文旨在提供一种基于 CNN 和深度学习的乳腺癌检测模型，该模型通过重建微波成像扫描数据并使用多种不同的 CNN 架构进行特征提取和肿瘤检测，最终得出使用 NASNetLarge 模型的 CNN 模型具有较高准确率和较低损失的结论，为微波成像技术在乳腺癌筛查中的应用提供了新的研究方向。

    Apr, 2023

  • 利用 ImageNet 的医学图像分析中的迁移学习研究

    本研究对新近的使用 ImageNet 数据集进行卷积神经网络预训练之后在医学图像分析方面应用的文章进行了综述，总结了数据处理、方法选择和结果评估等方面的主要趋势，发现存在一些关键的研究缺口。

    Apr, 2020

  • 基于深度迁移学习的乳腺癌图像分类方法

    提出了一种结合深度学习和迁移学习的乳腺癌图像分类模型算法，解决了有限样本、耗时的特征设计和低准确率的问题。这个算法基于深度神经网络的 DenseNet 结构，通过引入注意机制构建网络模型，并使用多级迁移学习对增强的数据集进行训练，实验结果表明，该算法在测试集上达到了 84.0％以上的效率，与之前的模型相比显著提高了分类准确度，适用于医疗乳腺癌检测任务。

    Apr, 2024

  • 金属铸造缺陷检测的高效神经网络方法

    提出了一种轻量级的深度学习模型用于在钢铁制造行业中识别表面缺陷，与 MobileNet、Inception、ResNet 和 Vision transformers 等预训练卷积神经网络相比，该新模型具有更高的准确性和更快的推理速度，并采用了深可分离卷积，全局平均池化层和改进的架构高效性增强技术。

    Aug, 2022