💡💡💡YOLO医学影像检测:http://t.csdnimg.cn/N4zBP
✨✨✨实战医学影像检测项目,通过创新点验证涨点可行性;
✨✨✨入门医学影像检测到创新,不断打怪进阶;
数据来源于医疗相关数据集,目的是解决血细胞检测问题。任务是通过显微图像读数来检测每张图像中的所有红细胞(RBC)、白细胞(WBC)以及血小板 (Platelets)共三类
意义:选择该数据集的原因是我们血液中RBC、WBC和血小板的密度提供了大量关于免疫系统和血红蛋白的信息,这些信息可以帮助我们初步地识别一个人是否健康,如果在其血液中发现了任何差异,我们就可以迅速采取行动来进行下一步的诊断。然而通过显微镜手动查看样品是一个繁琐的过程,这也是深度学习模式能够发挥重要作用的地方,YOLOv8可以从显微图像中分类和检测血细胞,并且达到很高的精确度。
检测难点:1)类别不平衡;2)同个类别相互遮挡、不同类别相互遮挡;3)检测物长宽差异较大;等
不同类别统计:
WBC: 321个
RBC: 4155个
Platelets: 361个
同个类别相互遮挡、不同类别相互遮挡:
Dynamic Snake Convolution | 亲测在血细胞检测项目中涨点,map@0.5 从原始0.895提升至0.908
主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。本文关注到管状结构细长连续的特点,并利用这一信息在神经网络以下三个阶段同时增强感知:特征提取、特征融合和损失约束。分别设计了动态蛇形卷积(Dynamic Snake Convolution),多视角特征融合策略与连续性拓扑约束损失。
实验结果:
YOLOv8-C2f-DySnakeConv summary: 249 layers, 3426089 parameters, 0 gradients, 8.7 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 2/2 [00:03<00:00, 1.77s/it]
all 87 1138 0.828 0.895 0.908 0.614
WBC 87 87 0.982 1 0.99 0.763
RBC 87 968 0.74 0.819 0.859 0.597
Platelets 87 83 0.761 0.867 0.875 0.482
CPCA | 亲测在血细胞检测项目中涨点,map@0.5 从原始0.895提升至0.905
通道先验卷积注意力(CPCA)的整体结构包括通道注意力和空间注意力的顺序放置。特征图的空间信息是由通道注意力通过平均池化和最大池化等操作来聚合的。 随后,空间信息通过共享 MLP(多层感知器)进行处理并添加以生成通道注意力图。 通道先验是通过输入特征和通道注意力图的元素相乘获得的。 随后,通道先验被输入到深度卷积模块中以生成空间注意力图。 卷积模块接收空间注意力图以进行通道混合。 最终,通过通道混合结果与通道先验的逐元素相乘,获得细化的特征作为输出。 通道混合过程有助于增强特征的表示
YOLOv8_CPCAChannelAttention summary (fused): 171 layers, 3137817 parameters, 0 gradients, 7.8 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 2/2 [00:04<00:00, 2.05s/it]
all 87 1138 0.864 0.865 0.905 0.605
WBC 87 87 0.988 0.981 0.99 0.78
RBC 87 968 0.791 0.747 0.851 0.595
Platelets 87 83 0.814 0.867 0.875 0.441
D-LKA Attention | 亲测在血细胞检测项目中涨点,map@0.5 从原始0.895提升至0.903
这种机制在类似于自注意力的感受野中运行,同时避免了计算开销。 此外,我们提出的注意力机制受益于可变形卷积来灵活地扭曲采样网格,使模型能够适当地适应不同的数据模式。 我们设计了 D-LKA Attention 的 2D 和 3D 适应,后者在跨深度数据理解方面表现出色。
YOLOv8_C2f_deformable_LKA summary (fused): 205 layers, 4388553 parameters, 0 gradients, 12.9 GFLOPs
Class Images Instances Box(P R mAP50 mAP50-95): 100%|██████████| 2/2 [00:07<00:00, 3.94s/it]
all 87 1138 0.825 0.888 0.903 0.601
WBC 87 87 0.988 0.968 0.992 0.78
RBC 87 968 0.735 0.822 0.859 0.599
Platelets 87 83 0.751 0.874 0.858 0.425
更多改进点详见:
https://cv2023.blog.csdn.net/article/details/133812165
by CSDN AI小怪兽
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。