针对传统课堂质量评价手段主要依靠人工观察,存在效率低和精度差等问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5 small)的轻量化课堂评价模型。通过采用该模型和层次分析法建立完善的课堂评价体系。该模型在颈部网络...针对传统课堂质量评价手段主要依靠人工观察,存在效率低和精度差等问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5 small)的轻量化课堂评价模型。通过采用该模型和层次分析法建立完善的课堂评价体系。该模型在颈部网络中融入CBAM(Convolutional Block Attention Module)注意力机制,提高了模型的识别精度;通过在骨干网络中融合Ghost模块,显著降低了模型的复杂度;通过采用Focal Loss损失函数,有效地缓解了类别不平衡的问题。实验结果表明,与YOLOv5s模型相比,改进后的模型平均精度提升了7.3%,参数量减少了42.0%,计算量减少33.1%,检测速度提升了4%。最后结合层次分析法和熵权法建立课堂质量评价体系,动态显示当前课堂质量的评分,可满足实际课堂需求。展开更多
胸部疾病严重威胁人类健康,及时并精准地检测胸部疾病对患者的治疗与康复具有重要意义.胸部疾病经常通过胸部X光片进行诊断,但由于胸部疾病的多样性以及病理特征的复杂性,现有的胸部X光片疾病分类算法存在分类准确度较低、模型复杂度较...胸部疾病严重威胁人类健康,及时并精准地检测胸部疾病对患者的治疗与康复具有重要意义.胸部疾病经常通过胸部X光片进行诊断,但由于胸部疾病的多样性以及病理特征的复杂性,现有的胸部X光片疾病分类算法存在分类准确度较低、模型复杂度较高等问题.针对以上问题,提出一种基于动态卷积的胸部X光片疾病分类算法.将动态卷积模块加入密集连接网络,在不显著增加网络模型尺寸的前提下,增强网络对多尺度信息的特征提取能力,在提升分类准确度的同时保持高效推理;使用Meta-ACON改进ReLU(rectified linear units)激活函数,通过线性-非线性切换因子自适应地选择是否激活以及使用何种激活函数,从而增强网络的泛化能力;提出加权焦点损失函数,在焦点损失函数的基础上加入权重调整因子,使网络依据分类的难易程度为每种疾病合理分配权重,增大较难分类疾病的损失占比以提高其分类准确度,进而优化整体性能;对数据加载方式进行优化,增大批数据处理量以提升批归一化效果;在测试阶段使用测试时数据增强策略,综合分析多个维度的分类结果,提高分类的准确性与鲁棒性.在chest X-ray14数据集上的实验结果表明,在密集连接网络中加入动态卷积模块、Meta-ACON激活函数、加权焦点损失函数并在实验时优化数据加载方式、使用测试时数据增强策略的算法对14种胸部疾病分类的平均受试者工作特征曲线下面积(area under receiver operating characteristic curve,AUC)值达到0.8361,针对单个疾病标签的AUC值最高可达0.9534,高于目前6种先进算法.实验结果表明,基于动态卷积的胸部X光片疾病分类算法具有分类准确度高、模型鲁棒性强等优势,可良好地适用于胸部X光片疾病分类任务.展开更多
文摘针对传统课堂质量评价手段主要依靠人工观察,存在效率低和精度差等问题,提出了一种基于改进YOLOv5s(You Only Look Once version 5 small)的轻量化课堂评价模型。通过采用该模型和层次分析法建立完善的课堂评价体系。该模型在颈部网络中融入CBAM(Convolutional Block Attention Module)注意力机制,提高了模型的识别精度;通过在骨干网络中融合Ghost模块,显著降低了模型的复杂度;通过采用Focal Loss损失函数,有效地缓解了类别不平衡的问题。实验结果表明,与YOLOv5s模型相比,改进后的模型平均精度提升了7.3%,参数量减少了42.0%,计算量减少33.1%,检测速度提升了4%。最后结合层次分析法和熵权法建立课堂质量评价体系,动态显示当前课堂质量的评分,可满足实际课堂需求。
文摘胸部疾病严重威胁人类健康,及时并精准地检测胸部疾病对患者的治疗与康复具有重要意义.胸部疾病经常通过胸部X光片进行诊断,但由于胸部疾病的多样性以及病理特征的复杂性,现有的胸部X光片疾病分类算法存在分类准确度较低、模型复杂度较高等问题.针对以上问题,提出一种基于动态卷积的胸部X光片疾病分类算法.将动态卷积模块加入密集连接网络,在不显著增加网络模型尺寸的前提下,增强网络对多尺度信息的特征提取能力,在提升分类准确度的同时保持高效推理;使用Meta-ACON改进ReLU(rectified linear units)激活函数,通过线性-非线性切换因子自适应地选择是否激活以及使用何种激活函数,从而增强网络的泛化能力;提出加权焦点损失函数,在焦点损失函数的基础上加入权重调整因子,使网络依据分类的难易程度为每种疾病合理分配权重,增大较难分类疾病的损失占比以提高其分类准确度,进而优化整体性能;对数据加载方式进行优化,增大批数据处理量以提升批归一化效果;在测试阶段使用测试时数据增强策略,综合分析多个维度的分类结果,提高分类的准确性与鲁棒性.在chest X-ray14数据集上的实验结果表明,在密集连接网络中加入动态卷积模块、Meta-ACON激活函数、加权焦点损失函数并在实验时优化数据加载方式、使用测试时数据增强策略的算法对14种胸部疾病分类的平均受试者工作特征曲线下面积(area under receiver operating characteristic curve,AUC)值达到0.8361,针对单个疾病标签的AUC值最高可达0.9534,高于目前6种先进算法.实验结果表明,基于动态卷积的胸部X光片疾病分类算法具有分类准确度高、模型鲁棒性强等优势,可良好地适用于胸部X光片疾病分类任务.
