排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
糖尿病视网膜病变是糖尿病并发症最常见的疾病之一。由于视网膜病变病灶具有特征复杂、特征差异小的特点,导致传统深度学习网络对视网膜病变等级识别存在错误率高、鲁棒性差等问题。针对上述问题,提出了一种MA-DRNet模型进行优化：(1)提出了一种多级特征残差块,提取不同分辨率多尺度特征、扩大模型感受野,加强模型对于小尺度病灶的学习能力以及模型对尺度的鲁棒性;(2)改进一种全局通道联合注意力机制,实现像素长距离依赖关系捕获和通道注意力,提升模型对复杂病灶表征效果;(3)设计集成难例挖掘训练方法,巩固对于困难样本的学习,融入集成的思想提升模型对易错样本的关注度。在Kaggle和Messidor两个公开视网膜数据集进行模型训练和测试,本文模型特异性为99.02%,敏感性为98.26%,准确率为98.87%,各指标均优于目前同类算法。大量的实验表明,MA-DRNet有效的解决了视网膜病变识别存在的问题,实现了视网膜病变等级的高精度辅助诊断。 相似文献
2.
为获取完整的交通流数据集,提出了一种交通流数据修复方法.结合多源数据的互补特性,基于深度学习模型构建了时空关联特征提取方法,将高速公路交通流数据缺失情况分为3类,并基于随机森林算法建立修正模型.模型以平均绝对误差最小为优化目标,基于测试集和选择集优化了模型的参数.利用高速公路固定检测器和浮动检测技术获取的多源数据,对比分析了单一数据源与多源数据的修正精度.结果表明:多源数据修正模型明显优于单一数据源修正模型,在点缺失、线缺失和面缺失3种情况下,MAPE的平均值分别提高了24. 87%,39. 87%和52. 93%.此外,随着缺失比例的增加,较单一数据源模型,多源数据修正模型精度更为稳定,在点缺失、线缺失和面缺失3种情况下,其MAPE的方差仅为0. 01,0. 03和0. 08,证明其具有较好的鲁棒性. 相似文献
1