糖尿病性視網(wǎng)膜圖像的深度神經(jīng)網(wǎng)絡(luò)分類方法
推薦 + 挑錯(cuò) + 收藏(0) + 用戶評論（0）
針對傳統(tǒng)的視網(wǎng)膜圖像處理步驟復(fù)雜、泛化性差、缺少完整的自動(dòng)識別系統(tǒng)等問題，提出了一套完整的基于深度神經(jīng)網(wǎng)絡(luò)的視網(wǎng)膜圖像自動(dòng)識別系統(tǒng)。首先，對圖像進(jìn)行去噪、歸一化、數(shù)據(jù)擴(kuò)增等預(yù)處理；然后，設(shè)計(jì)了緊湊的神經(jīng)網(wǎng)絡(luò)模型-CompactNet，CompactNet繼承了AlexNet的淺層結(jié)構(gòu)參數(shù)，深層網(wǎng)絡(luò)參數(shù)則根據(jù)訓(xùn)練數(shù)據(jù)進(jìn)行自適應(yīng)調(diào)整；最后，針對不同的訓(xùn)練方法和不同的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了性能測試。實(shí)驗(yàn)結(jié)果表明，CompactNet網(wǎng)絡(luò)的微調(diào)方法要優(yōu)于傳統(tǒng)的網(wǎng)絡(luò)訓(xùn)練方法，其分類指標(biāo)可以達(dá)到0. 87，與傳統(tǒng)直接訓(xùn)練相比高出0.27；對于LeNet，AlexNet和CompactNet三種網(wǎng)絡(luò)模型，CompactNet網(wǎng)絡(luò)模型的分類準(zhǔn)確率最高；并且通過實(shí)驗(yàn)證實(shí)了數(shù)據(jù)擴(kuò)增等預(yù)處理方法的必要性。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
糖尿病性視網(wǎng)膜圖像的深度神經(jīng)網(wǎng)絡(luò)分類方法下載
相關(guān)電子資料下載
- 神經(jīng)網(wǎng)絡(luò)預(yù)測模型的構(gòu)建方法 109
- CNN的定義和優(yōu)勢 112
- 基于CNN的網(wǎng)絡(luò)入侵檢測系統(tǒng)設(shè)計(jì) 105
- 數(shù)據(jù)分析有哪些分析方法 82
- 數(shù)據(jù)分析與數(shù)據(jù)挖掘的區(qū)別 55
- rnn是遞歸神經(jīng)網(wǎng)絡(luò)還是循環(huán)神經(jīng)網(wǎng)絡(luò) 164
- rnn是什么神經(jīng)網(wǎng)絡(luò)模型 162
- rnn是什么神經(jīng)網(wǎng)絡(luò) 174
- 遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)形式主要分為 129
- 簡述遞歸神經(jīng)網(wǎng)絡(luò)的計(jì)算過程 135