斑秃的毛发检查:脱发特征提取和计算使用网格线选择和特征值

文摘

最近,脱发,斑秃患者,增加是由于各种未经证实的原因如环境污染和不规则的饮食习惯。在本文中,我们介绍一种算法对预防脱发和头皮自我诊断通过提取HLF(脱发特性)基于头皮图像使用显微镜,可以安装在智能设备。我们提取HLF结合头皮图像从显微镜使用网格线选择和特征值。首先,我们进行预处理拍摄头皮使用图像处理图像调整显微镜的对比输入和减少光反射。第二,HLF提取通过每个不同的算法来确定进展程度的脱发头皮基于预处理的图像。我们定义HLF数量的头发,头发毛囊,和厚度将破碎的头发的头发,短毫毛头发,头发逐渐减少。

1。介绍

1.1。斑秃的毛发检查

人口在最近,脱发,斑秃患者,分布在世界各地,并希望为脱发治疗和诊断的进展(1]。脱发影响病人的信心和士气,需要研究预防和治疗脱发尽快(2]。从斑秃,恢复使用米诺地尔和保法止男性可以促进头发的生长,但是这些方法并不是首选治疗进展相对较低的脱发患者由于未知的长期效应的存在和潜在的副作用3]。历史记录的图像用显微镜测量提供一个实用的诊断方法早期FPHL(女性型脱发)4]。

的一个方法来治疗脱发,头皮诊断方法,可以定义和分类斑秃的进展程度及其指标。毛发检查是一个快速的、非侵入性的,具有成本效益,床边的技术提供了关键物理诊断信息协助斑秃的准确诊断(5,6]。摘要执行头皮诊断方法基于显微镜图像。HLF提取算法的图像预处理部分,我们使用统计方法的图像处理方法,完成自动化,半自动化由阀盖(7]。本研究的目的是预测斑秃的条件从头皮提取HLF图像和测量他们的头皮状况对于那些不服从斑秃。换句话说,主要目的是创建客观指标,允许nonpatients决定他们斑秃状态通过显微镜图像。

在本文中,我们介绍一种算法对预防脱发和头皮自我诊断通过提取HLF(脱发特性)基于头皮图像使用显微镜,可以安装在智能设备。智能医疗使用可穿戴设备是一个杰出的生长在一起,这些问题并存。这个工业发展使得健康自我诊断的生活通过传播和高端智能手机。我们采用了USB-connectable显微镜和智能手机提供简单的自我诊断的解决方案,可以在任何地方服务没有空间和时间约束对公众不熟悉医学知识。

1.2。相关的工作

继续研究某些疾病的检测和分类,包括斑秃,使用显微镜。Pollak et al。8)进行了研究,通过图像识别和机器学习算法诊断疟疾。这些自动化图像处理方案标准定义的优点,快速诊断速度,扩大扫描区域,和一致性的诊断某些疾病。在显微镜下,影响斑秃有定义的元素如毫毛,终端,microexclamation mark-type,念珠状发,Netherton类型。毛囊的状态可分为黑色点,红点,白色的点,和黄点,和头发条件可分为破碎的头发,短毫毛毛,逐渐减少头发(9- - - - - -11]。

毛发检查被用于先进的医学领域准确诊断病人的头皮状况。金等。12]研究头发和头皮的评估条件使用PCA(基于显微镜图像分析13第二主成分。方等。14)提出了蒙特卡罗仿真估计头发条件变化和尺度的头发条件在中国毛囊的状态。这个医学知识,然而,往往是难以为公众理解直观地说,这是有效的专业人士,从业者,或者具有一定程度的背景。最近的研究表明在图像处理这一趋势或机器上优于头发分割(15),而不是头发用显微镜拍摄的图像。这些都是基于嵌入式系统或GPU-enabled硬件,这是无与伦比的手动为个人使用。罗尔夫(16]研究设备和过程称为TrichoScan估计数量的头发,头发厚度,和头发密度图像和分类生长期,静止期,毫毛的头发,头发和终端。这项研究有预赛切断目标区域和改善染色性能,这使得它更难以接近,繁琐,时间花在自我诊断系统和更有可能不及格的形象与太多的气泡或outside-crossing头发。

要解决这些问题,我们将头皮从显微镜和图像执行gl(网格线选择)和基于计算机视觉的特征值计算,甚至可运行在低端设备。在这篇文章中,我们提取HLF结合头皮图像从显微镜使用网格线选择和特征值。首先,我们进行预处理拍摄头皮使用图像处理图像,调整显微镜的对比输入和减少光反射。第二,HLF提取通过每个不同的算法来确定进展程度的脱发头皮基于预处理的图像。我们定义HLF数量的头发,头发毛囊,和厚度将破碎的头发的头发,短毫毛毛,逐渐减少头发(17,18]。在这里,我们定义了毛囊打开毛囊和头发。尽管检测黄点是脱发的指标之一,我们设置的优先级计算毛囊的数量,因为它也影响脱发多少头发可以长在一个卵泡。

2。方法

输入图像用显微镜,左上角如图1,可能会有一些噪音等功能的红点,染色的头发,和皮肤炎症。最优进行预处理,以减少这些噪音的分布。预处理后,提取HLF执行算法。预处理也进入分离输入算法方法提取每个HLF的特性是不同的。

大部分的头皮图像看起来不简单的反射光的头发。此外,还有的在前面的头发头发相互交叉或覆盖其他的头发;它是不被认为是自身。为了减少这些问题,每个算法的图像预处理适当方法进行如图1。本研究的主要目的是实现一个方法测量任何人的头皮的安装USB显微镜便携设备,如智能腕带或智能手机,并调整技术,减少每个预处理和算法的计算方法。

2.1。图像预处理

从显微镜获得输入图像可以被定义为最小高清的比率4:3,我们调整输入图像大小为512平方。这是一种常见的过程保持比一般过滤图像缩放时是在图像处理的计算执行抽样的特点将采样或upsampling [19]。然而,我们不得不调整广场大小问题存在于特征值计算,这将在稍后描述。然后,输入图像的RGB值转换为灰度图,的重量价值是相对于其他值降低。

形态重塑形象仍有黑色区域阴影通过显微镜和一个洞在头发反射光泽的头发。对比度拉伸(20.执行)来解决这些问题。左侧图的照片2充分显示像素的值对应的图像相对集中而不是右侧图片。这意味着它是均匀分布的,无论整体图像的对比。这个后果应该区分的噪音特性和其他nonfeature组件,可能会缓解一些活动在定义二值化的阈值参数(21]。

可以看出,相邻像素的值正确的图的照片2偏向一边比较左边图片拉伸后的对比。这证实了某些像素值被认为是无关紧要的噪音和转移到相邻的像素值,可以抚平的曲线图形使用高斯滤波器(22]。在图的情况下转换为一个缓坡,如图3,它更随和寻找最优阈值参数对显微图像二值化。

HLF有自己的算法来提取每个特性。为了提取头发厚度和毛囊的数量,反映在头发上的洞光泽的头发和定向光显微镜必须被删除。形态侵蚀(23)用于图像去噪像盐和胡椒更完美通过扩张nonnoise和头发特性在一个图像。我们可以应用方法的孔图像相邻像素值被归类为噪声。然而,由于形态侵蚀甚至会扩张到邻近的头发,所以有多个头发被归类为一个的情况下,所以并没有进行预处理的gl算法,衡量毛发的数量。

这个过程中,我们之间的明确的边界构成头发和头皮和头发反射的光线。最后,所有噪声除了头发应该消灭了图像二值化,因为只有头发特性在图像理解。尽管我们试图使用通常应用自适应阈值方法,我们做了部分的头发和其他功能使用基本的阈值作为黑色阴影区域在头皮上也被认为是功能。相对应的像素值的头发特性是分离为true,剩下的图像中值是错误的。

2.2。HLF计算

预处理图像最小化头发特性和头皮和光线之间的关系反映在头发上。输入值用来计算HLF每个算法的图像预处理方法。

2.2.1。网格线选择头发检测

头发的数量意味着可数的头发可以用肉眼看到的图像,包括破碎的头发,头发逐渐减少,和正常的头发。本文的头发已经在前一步预处理是一个独特的功能与价值。对于这个头发特性,可达成的应用Hough变换(24)通常用于调查的数量直线。我们进行这次骨架化(25,只剩下中心轴从每个计算应用Hough变换前的头发。

霍夫变换参数的脚腕空间是否认识到更多十字路口作为每个交点的直线区域。不仅很难找到最优参数转换和检测,而且大部分的头发不直,弯曲,和挥手;已发现的毛发数量没有正确计算。如图4(a),它可以通过实验证实,只有11头发已发现的霍夫变换直线检测算法。

我们使用基于直方图的方法来检测头发的数量 。首先,我们安排网格图像中的水平和垂直。接下来,提取所有真正的价值存在和天桥栅格线。获取所有真值的数量网格定义为以下方程: 在哪里 。

是一个参数决定网格的数量,是一组索引行与 在图5,的长度是在广场一侧的形象。2的比例是一个恒定值的平均长度的头发在整个图像,它假定大约一半的长度是构成了这个实验。方程(1)允许毛发的数量来衡量图像的特性。然而,如果和值相邻栅格线是连续方程(2),计算得到将它们作为一个真正的价值。

2.2.2。毛囊检测

我们进行预处理的骨架化的形象。场大病形象图6(一)是一组只有一个像素点厚对每一行吗的头发,一样的方法进行霍夫变换。对于每个骨骼的头发,我们提取像素估计为端点。端点指定为点8邻居的数量只有1对骨骼的头发,最后得到图像的边缘点像图6 (b)。

掩蔽过程后,图像裁剪到一定规模基于端点假定毛囊,和头发立体裁剪的边缘图像可以估计每一个毛囊。在这种情况下,然而,头发的毛囊或完全掩盖毛囊本身就是模糊的意识到,它可以被视为一个低性能通过实验。

edge-based方法难以确定作物图像大小,以及由此导致性能不体面的,所以我们用了一个聚类方案。集群通过过程使用 - - - - - -意味着(26基于蒙面像素)算法。输入蒙面形象标准化[0,1]基于512年调整大小。我们指定的重心 ,的起点是什么 - - - - - -意味着,高斯分布 - - - - - -和y轴。 在哪里 。

常用的 - - - - - -意味着,有一个问题必须首先分配 ,的数量开始重心,该算法处理。这可能是解决复合超集和损失函数最优集获得的。首先,我们假设所有集群集的数量计算 。每个集群属于 ,我们有重心的数量从1到n。欧几里得距离之和与最优组形成集群使用所示的方程(3)被定义为损失函数。集群设置最少的损失函数被认为是最佳集群集。至少损失函数可以被解释为集群组构造相对迅速,和更少的欧氏距离计算在所有情况下构成集群很小,平均。所有的数据必须属于集群设置,可以是一个空集。每个集群的重心是吗 。集群的数量不的空集 - - - - - -th集群组最少的损失函数是最后确定的毛囊数量如图6 (c)。

2.2.3。头发厚度计算

首先,我们计算真值的数字图像预处理。我们估计波状外形的图像通过轮廓检测(27从图像只有剩下的头发。我们计算特征值(28)和绿线长度在图的数量7,对于每一个 - - - - - -波状外形的形象。计算特征值的指标的百分比比例图像中由一根头发。如果输入的宽度和高度是不同的,头发的特征值就不同根据不同的水平和垂直的拉伸长度,分别,这就是为什么一个正方形的调整进行了预处理步骤。头发厚度可以用平均近似裁剪图像中的每个特征值和不包括扩大数量的真实值中生成形态侵蚀。 特征值的平均值是通过轮廓检测每个停吗 - - - - - -在方程(th形象4)。标准化[0,1],它定义了hyperparameter值除以分母 。在方程(5),是头发的数量估计gl和扩张区域显示的程度影响的头发。是所有轮廓检测的轮廓检测算法,然后呢的价值尺度的近似数量的像素在实践中扩张形态侵蚀的形象。我们初始化作为 用于侵蚀算法的参数。区域的数量是正确的值;即图像中有多少头发特性方程(6)。是一个常数,将值转换为微米。最后,可以通过方程(推断从头皮图片6)。

3所示。评估和结果

评估收益基于显微镜图像直接取自Galaxy Tab S4。显微镜能放大从20 x 800 x。我们使用两种类型的显微镜进行评估。两个显微镜保持同一比例来衡量但收益率离散颜色像素值,比另一个更红。评价指标定义的头发,头发厚度,分别和毛囊。头皮的图像,包括20到40岁之间的男性和女性,一百测试集随机治疗评估。

本文算法评估的准确性HLF一枪的形象,而不是测量精度和召回的头发。毛发和毛囊的数量的准确性测量基于真相标签由肉眼直接评价。头发厚度测量使用手工头发厚度手动测量工具。头发真理是测量的数量不太被肉眼噪声,包括自身在内的立体图像。毛囊的数量测量本身的头发除了在毛囊中如红点,黑点,黄点,可使头发生长。我们也测量了毛囊,存在于图像的边缘几乎隐约看到。

定义真值的评估指标,真值的方差是宽敞的显著取决于测量器,尤其是对毛囊的数量。这是因为如果多个毛囊似乎重叠,或者穿过头发毛囊,所以无法用肉眼从视觉上辨别;各种意见反映在每一个不同的测量器。还发现错误发生是因为毛囊的存在的边缘图像非常主观判断。

请记住,列输入数据表1输入图的名称是一样的吗8。如输入(b),如图所示8头发毛囊时难以衡量,立交桥图像模糊的毛囊在某种程度上。输入(d)在图8表明,有一个杰出的测量误差的头发数量的焦点,因为它是模糊的很大一部分图片,造成很大的噪音,也的头发浓密的左边用肉眼很难分辨。然而,整体的平均数据和执行各种测试数据很好的准确性为96.51%。相对于整个数据,每个数据的错误率的毛囊记录相对较低的失业率是84.07%和82.33%,如图9。这个结果被认为是一个结果,为每个数据偏差是巨大的。的最大误差在一个数据集,头发是16和卵泡的数量是4,解释,错误相当广泛的一些嘈杂的图像。

数据图10、输入(a)是稳定了,在输入(b)的情况下,它是用显微镜动摇或集中,导致多余的模糊和噪声。即使预处理进行噪音太大,我们不能准确地把头发作为一个功能,因此,我们可以通过实验发现,头发突出显著的价值当我们执行算法。在输入(c)的情况下,可以看出,图像中有大量的碎头发通过人为地切断短。值得注意的是,毛囊和头发厚度是体面的数量测量在这种情况下;只有错误出现在测量头发的数量。在输入(d),头发毛囊没有分割的阻碍毛囊,并重点是头发的欲望,导致噪音。相反,头发的数量比相对测量和改善噪声输入(b)的证实,有一个错误的毛囊和头发厚度。

整个过程的算法计算时间显示的性能大约0.2秒/图像Ryzen 5 2600环境,包括加载时间。智能手机和电脑之间调度时,对客户响应时间小于2秒。在实际应用水平,我们比较头发的后脑勺,这是一种健康的部分整个头,和一个脱发目标部分计算的相对图自己的头。

4所示。结论和未来的

重要的是先天和后天因素造成的脱发由病人自己承认和适当的诊断给予nonexcessive治疗,药物过量等,为其进步。在收购的角度来看,脱发是受饮食、周围环境、心理状态等不同的进步取决于性别(29日- - - - - -32]。我们从大量的自动估计特性头皮图像通过提取HLF使用只有一个单一的显微镜图像。同时,通过记录历史HLF识别由于脱发,斑秃的原因可以通过时间序列分析(分析33),格兰杰因果关系(34),ARIMA (35),或人工智能。

我们启用了一种新的诊断斑秃的结合计算机视觉和图像处理提取HLF使用显微镜图像,可以穿在智能手机上通过。评价一节所示,这使得高分布式公共大方差指标通过算法和一致的评价指标也允许病人的头皮状况被历史存储沿着时间轴测量头皮的特点。将获得一个新的斑秃与头皮之间的相关性条件没有特定的标志或条件判断脱发的进步。通过提供HLF结果的患者,这项研究让他们跟进和处理脱发进步的意识。

使用各种计算机视觉研究领域中提取特定的视觉机器学习研究特性,变量、参数和目标检测的图像。当然,计算机视觉人工智能基于机器学习的准确性显示高性能当使用一个充分的准备数据集和验证模型,但卷积神经网络的人工智能仍然需要大量的参数(36]。为了解决这个问题,研究继续进行,记录高精度以最少的人工智能模型尺寸(37),但到目前为止,人们认为它仍然有一个问题在适合的解决方案或便携式设备。此外,为了创建一个模型与特殊性能在一个特定的领域,工程师需要大量的数据集预处理图像,使我们能够创建一个图像的特征作为输入数据集通过本文。以下的研究旨在建立人工智能,只能提取更多类型的HLF显微镜图像,不依附于任何特定的传感器。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了MSIT(科技部和ICT),韩国,在期(信息技术研究中心)支持程序(IITP - 2018 - 0 - 01419)监督的IITP(信息和通信技术促进研究所)。

引用

1. 研究和市场全球53亿美元的脱发市场由疾病类型、性别、最终用途、销售渠道和地区,预测到2027年大观点的研究,都柏林,2020年,http://ResearchAndMarkets.com/。
2. h . Benhabiles k .萨z杨et al .,“深度学习基础检测脱发从面部图像,水平”2019年第九届国际会议上图像处理理论,工具和应用程序(IPTA)2019年,页1 - 6,伊斯坦布尔,土耳其。视图:谷歌学术搜索
3. a . Nabahin a . a . Eloun和s . s . a . nas”专家系统诊断和治疗脱发,”国际工程和信息系统杂志》(IJEAIS),1卷,不。4、160 - 169年,2017页。视图:谷歌学术搜索
4. r·纳加尔和r . Dhudshia“效用的毛发检查诊断早期女性脱发在资源贫乏的设置模式:横断面研究,“印度皮肤性病学和麻风学,卷85,不。6,681 - 687年,2019页。视图:出版商的网站|谷歌学术搜索
5. t . Mubki l . Rudnicka m . Olszewska和j·夏皮罗,“脱发患者的评估和诊断。”美国皮肤病学会杂志》上,卷71,不。3、415. e1 - 415页。e15, 2014年。视图:出版商的网站|谷歌学术搜索
6. t . Mubki l . Rudnicka m . Olszewska和j·夏皮罗,“脱发患者的评估和诊断。”美国皮肤病学会杂志》上,卷71,不。3、431. e1 - 431页。e11, 2014年。视图:出版商的网站|谷歌学术搜索
7. n罩”,一些显微镜图像处理的趋势,”微米,35卷,不。8,635 - 653年,2004页。视图:出版商的网站|谷歌学术搜索
8. j . j . Pollak a . Houri-Yafin和s . j .,“计算机视觉疟疾诊断系统——进展和前景,”公共卫生领域前沿5卷,第223 - 219页,2017年。视图:出版商的网站|谷歌学术搜索
9. l . Rudnicka m . Olszewska a . Rakowska e . Kowalska-Oledzka和m . Slowinska”毛发检查:脱发,诊断的一种新方法”药物在皮肤病学杂志》上,7卷,不。7,651 - 654年,2008页。视图:谷歌学术搜索
10. 美国农业”,毛发检查常见的脱发疾病:算法的诊断方法,”皮肤病学杂志》,38卷,不。1,第75 - 71页,2011。视图:出版商的网站|谷歌学术搜索
11. a . Rakowska m . Słowińska大肠Kowalska-Oledzka et al .,“瘢痕性脱发、毛发检查”药物在皮肤病学杂志》上,11卷,不。6,753 - 758年,2012页。视图:谷歌学术搜索
12. j·w·h·Kim Kim奖赏,sρ,j .公园和e .黄”评价的头发和头皮条件基于显微图像分析,”2017年国际会议上平台技术和服务(PlatCon)2017年,页1 - 4、釜山。视图:谷歌学术搜索
13. 美国荒原,k . Esbensen和p . Geladi“主成分分析”,化学计量学和智能实验室系统,卷2,不。1 - 3,37-52,1987页。视图:出版商的网站|谷歌学术搜索
14. x方,锅,w·刘,z . Wang和t·李,“头皮毛囊对检测的影响量化通过蒙特卡罗模拟和可见中国人类的数据集,”IEEE光子学》杂志,10卷,不。5,页1 - 10,2018。视图:谷歌学术搜索
15. h . Shih,”一位头发无监督分割和计数系统在显微镜图像,”IEEE传感器杂志,15卷,不。6,3565 - 3572年,2015页。视图:出版商的网站|谷歌学术搜索
16. h·罗尔夫,“TrichoScan:小说工具分析头发生长的体内,“皮肤病学研究研讨会论文集》杂志上,8卷,不。1,第115 - 109页,2003。视图:谷歌学术搜索
17. a . Rakowska m . Slowinska e . Kowalska-Oledzka m . Olszewska和l . Rudnicka”Dermoscopy雌雄性脱发:方法标准化和诊断标准,“国际期刊的毛发学,1卷,不。2、123 - 130年,2009页。视图:出版商的网站|谷歌学术搜索
18. m . Miteva和a . Tosti“头发和头皮dermatoscopy,”美国皮肤病学会杂志》上,卷67,不。5,1040 - 1048年,2012页。视图:出版商的网站|谷歌学术搜索
19. m·a·z Dippe和大肠的山地,抗锯齿通过随机抽样Siggraph,纽约,1985年。
20. a·r·吉莱斯皮”多光谱热红外图像的增强:解相关对比拉伸,”环境遥感,42卷,不。2、147 - 155年,1992页。视图:出版商的网站|谷歌学术搜索
21. j . Sauvola和m . Pietikainen“适应性文档图像二值化,模式识别,33卷,不。2、225 - 236年,2000页。视图:出版商的网站|谷歌学术搜索
22. k .伊藤和k .熊,”高斯滤波器对非线性滤波问题,”IEEE自动控制,45卷,不。5,910 - 927年,2000页。视图:出版商的网站|谷歌学术搜索
23. p . t . Jackway和m . Deriche”尺度空间多尺度形态学dilation-erosion的属性。”IEEE模式分析与机器智能,18卷,不。1,38-51,1996页。视图:出版商的网站|谷歌学术搜索
24. d·h·巴拉德概括的霍夫变换检测任意形状,在计算机视觉阅读,第725 - 714页,1987年。
25. f . l .资产阶级和h . Emptoz梯度扩散、正规化、骨架化”2007年IEEE国际会议上图像处理,2007年圣安东尼奥。视图:谷歌学术搜索
26. 劳埃德,“最小二乘在PCM量子化,”IEEE信息理论,28卷,不。2、129 - 137年,1982页。视图:出版商的网站|谷歌学术搜索
27. p . Arbelaez m . Maire c . Fowlkes和j·马利克,“轮廓检测和分级图像分割,”IEEE模式分析与机器智能,33卷,不。5,898 - 916年,2011页。视图:出版商的网站|谷歌学术搜索
28. j·h·威尔金森,代数特征值问题》,牛津,1965年。
29. a . Picardi p . Pasquini m . s . Cattaruzza et al .,“心身因素来美最初斑秃,”心身医学,44卷,不。5,374 - 381年,2003页。视图:出版商的网站|谷歌学术搜索
30. h . r .你和s . j .金”因素与斑秃的严重性。”《皮肤病学卷,29号5,565 - 570年,2017页。视图:出版商的网站|谷歌学术搜索
31. p h . m . Van der Steen h·m·j·范·巴尔r . Happle j·b·m·Boezeman和c m . Perret“预后因素与diphenylcyclopropenone斑秃的治疗,”美国皮肤病学会杂志》上,24卷,不。2、227 - 230年,1991页。视图:出版商的网站|谷歌学术搜索
32. a . Arias-Santiago m . t . Gutierrez-Salmeron l . Castellote-Caballero a . Buendia-Eisman和r . Naranjo-Sintes“男性和女性的雄性遗传脱发和心血管危险因素:比较研究,“美国皮肤病学会杂志》上,卷63,不。3、420 - 429年,2010页。视图:出版商的网站|谷歌学术搜索
33. b·乔治·时间序列分析:预测与控制新泽西州霍博肯市约翰·威利& Sons, 2016。
34. s·l·布瑞斯勒和a·k·赛斯“Wiener-Granger因果关系:一个完善的方法,”科学杂志,卷。58岁的没有。2、323 - 329年,2011页。视图:出版商的网站|谷歌学术搜索
35. g . p .张”,使用混合ARIMA时间序列预测和神经网络模型,”Neurocomputing,50卷,第175 - 159页,2003年。视图:出版商的网站|谷歌学术搜索
36. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”ACM的通信,60卷,不。6,84 - 90年,2017页。视图:出版商的网站|谷歌学术搜索
37. f . n . Iandola汉,m . w . Moskewicz k .阿什拉夫·w·j·磨磨蹭蹭的,快和k . KeutzerSqueezeNet: AlexNet-level准确性50 x更少的参数和< 0.5 mb的模型大小、计算机视觉和模式识别,2016年。

版权

版权©2020 Sunyong Seo和Jinho公园。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。