文摘

对象检测起着至关重要的作用在计算机视觉领域,机器学习和人工智能应用程序(如FUSE-AI (E-healthcare MRI扫描)、人脸检测、计数,和车辆检测)确定好和有缺陷的食品。在人工智能领域,目标检测已经达到了顶峰,但当涉及到检测多个目标在一个图像或视频文件,确实有挑战。本文着重于改善再电子医疗(MK-NN)算法实现智能医疗服务和应用程序。我们介绍了修改提高MK-NN的效率,并进行比较分析,以确定最佳融合的目标检测算法基于鲁棒性、准确性和计算时间。比较分析是使用四个算法执行的,即MK-NN,传统的事例,卷积神经网络和反向传播。实验结果表明,改进的事例算法是最好的模型的鲁棒性,准确性和计算时间。

1。介绍

E-healthcare是一个广泛的术语组成的改善医疗服务检测到数字技术。E-healthcare,有各种各样的疾病,包括糖尿病、癌症、中风,以及机器学习系统诊断这些疾病和集成人工智能等等。最近,深度学习分类器有很好的目标检测性能等各种电子医疗应用程序诊断心脏病的基于心脏图像,检测癌症,和各种各样的脑电图数据集分类包括x射线胸透,糖尿病性视网膜病变,皮肤癌。FUSE-AI,位于汉堡的创业公司,已经开发出一种系统,可以检测和分类肿瘤在MRI扫描。汉堡已经开发出FUSE-AI系统可以根据MRI扫描肿瘤分类使用机器学习分类器。

目标检测是一种人工智能技术与图像处理,计算机视觉,可以检测各种对象(车辆、建筑物和人)在特定类别在数字视频和图片。深入研究对象检测领域包括行人检测、人脸检测、和交通信号检测(1- - - - - -7]。用例从人身安全工作效率细分对象检测到广泛的领域(8- - - - - -13]。

尽管巨大的创新是发生在医疗保健领域,许多问题必须解决,特别是异构数据融合,移动数据传输和分析。面部识别是人脸检测的一种形式,可以用作高只允许某些人进入的安全措施,如政府大楼高度敏感地区。许多应用程序的目标检测和分类存在,如人脸检测(14),人们数(15)、车辆检测(16),和识别的好的和坏的食物17]。

图像处理和人工神经网络是一个巨大的组合,可以无休止地用于各种目的。在过去的几年中,很多在这两个领域的工作已经完成。因此,这种技术已经成为任何人工智能公司的重点,也是非常必要的政府在世界上许多国家/地区(18]。此外,研究人员也关注其他科学领域,如人工智能和现代化信息技术(19- - - - - -31日]。

对象检测方法通常分为两种方法,机器学习和深度的学习。机器学习方法包括支持向量机(SVM)分类策略和深度学习等各种神经网络分类方法的卷积神经网络(CNN),神经网络反向传播(或后向散射通信网络),和再网络(资讯)32]。对象检测模型可以分为两个部分,提取函数和分类(33- - - - - -35]。

可视化的对象、特征提取需要提取各种视觉特性提供一个可靠的代表(18,33,34,36,37]。事实上,这些特征表示与人脑相似之处和复杂的细胞(12]。很难找到一个强大特性提取器提取对象的所有功能和手动构建它。然而,在分类、分级机目标对象有别于其他代表视觉识别特性或类别。一般情况下,支持向量机(SVM) [38),可变形的部分原因模型(DPM) (39),和演算法40很好的分类器。

本文比较了三种不同的神经网络进行CNN,英国石油(BP)和基于事例的实验找出最好的融合检测,也可以评估培训和输出时间和预处理时间。大多数的研究领域的目标检测和监测无线传感器网络(WSN)专注于单个或多个目标探测。然而,很少有研究旨在监测和检测融合对象。本研究的目的是设计一个健壮的算法有效地分类融合对象在一个图像。首先,每个算法预处理数据和准备它,因为每个算法使用不同的数据,特别是反向传播网络。然后每个保险丝训练神经网络正确分类。我们使用深度学习在我们的研究工作。

以下是这项工作的主要贡献:(我)我们应用新方法通过添加强大的邻居事例修改模型的训练样本。(2)比较研究是通过使用经典事例,事例修改B-PN和CNN模型基于精度和时间复杂度在E-healthcare对象(保险丝)检测。我们的研究证明,与其他模型相比,基于事例修改后的模型具有更高的精度和更少的时间复杂性。(3)我们建议使用事例修改模型E-healthcare未来研究对象检测应用程序。

本文的其余部分的结构如下。部分2介绍了相关工作。部分3介绍了方法。部分4介绍了改性再(M-KNN)算法。部分5讨论了实验结果,以及部分6论述了比较的结果。最后,部分7总结了论文,并提供未来研究工作的前景。

2。相关工作

2.1。美国有线电视新闻网

CNN是一个人工神经网络与普通神经网络体系结构相似(41]。cnn架构三个部分,输入神经元,可学的重量和偏见。CNN已经广泛应用于手写字符识别的面积。CNN是一个人工神经网络与普通神经网络(类似一个架构41]。CNN结构由三部分组成,即输入神经元,可学的重量,和偏差,广泛用于手写字符识别领域(42- - - - - -46和人脸识别47]。明确的假设输入图像是由CNN架构,它允许我们某些属性编码到架构。转发功能更有效,大大减少网络参数的数量。使用神经网络的总体结构有特殊的益处来解决不同的问题。美国有线电视新闻网有一个明确的生物结构;休博尔和维塞尔的早期作品是基于ANN模型猫的视觉皮层的应用程序(42,45,48]。

CNN已成功应用于很多分类应用,如交通信号检测来检测各种交通信号。CNN使用监督学习算法,它可以预测更好的分类结果。CNN架构如图1。

2.2。英国石油公司

反向传播神经网络(症)是一种神经网络作为神经网络转发(49- - - - - -51]。BP算法的多层体系结构映射,可以转发和输出层之间传输信息。其中,它传输信号通过隐藏层和调整重量基于delta规则之间的实际输出安和预测输出,从而减少了错误率。任何以任意精度通常可以近似非线性函数通过一个隐藏的BPN是层(52]。对于预测复杂的非线性系统,这个特性使得BPN是著名的。BP算法是一个分类模型有两个梯度下降方法和均方误差。当达到最小误差,平方数和连接的重量将会调整。在BP算法的过程中,输入信号是首先提供给网络,然后进行样本训练过程。然后计算出误差信号的梯度值(53]。

症的体系结构包括两个部分称为向前传播(或输出层)和反向传播(或误差信号)。在向前传播,输入层传递到输入信号和转发到隐层到输出层。重量和偏移量的值在整个过程中保持不变。下一层是操作信号的影响。如果预测的输出层和输出层不匹配,操作信号将误差信号反向传播。另一方面,反向传播定义为期望输出值之间的差异和实际的输出层价值。重量和抵消价值将不断改变和添加到减少实际输出层价值之间的差异和预测输出层的值。在这一步中,误差信号作为输入信号传播和使用。英国石油公司架构图所示2和3,分别。

2.3。事例

在目标检测中,事例的算法已成功用于分类和回归,这是一个独立的方法。基于事例的算法,输入的值取决于K= 0和K=n在培训过程中。由于其精度高,简单和易于理解和易于实现,事例的算法已成功地应用于许多数据分析应用程序,包括模式识别数据库、信息检索、机器学习(54,55]。因此,这就是为什么十大数据挖掘算法在最近几十年已经事例算法(56]。该算法用于数据处理、数据分类和聚类。d . Vijayalaksmi事例的算法适用于糖尿病的分类和聚类在医学的应用糖尿病。基于样品的精度和纯度,解决方案基于事例和k - means方法之间的比较。这些模型的实现结果表明,该事例比k - means更有效和可靠的解决方案。Satheesh Patel和基于事例的动态数据分类器,提出了结合面向对象编程的原则(57]。这个问题被划分在一个统一的形式在训练阶段。与传统的事例相比,它实现了,将更有效地解决方案。事例的体系结构如图4。

所有对象检测方法必须考虑固有的不确定性的大小,位置和结构目标的自然场景图像。中提琴琼斯探测器(58),面向梯度(HOD)检测器的柱状图34),可变形的部分原因模型(DPM) (59只是一些传统的目标检测方法在自然场景图像。

这些方法主要依靠手工提取对象特征来确定算法的参数。然而,由于深度学习近年来的快速发展,许多对象检测方法基于这种先进技术开发(60]。通过适当地训练他们的网络体系结构,这些方法证明,他们可以准确地定位对象区域在自然场景图像。基于R-CNN对象检测方法,基于SSD的目标检测方法,对象检测方法基于YOLO三种意思对象检测方法。

研究人员已经提出了各种各样的目标检测算法。例如,一个算法提出了基于多尺度变形CNN (61年]。作者比较和研究的主流目标检测算法来解决当前面临的问题的方法。本研究结果证实,相当于或优于最新的方法。深的卷积网络通常被用来获得多尺度特性和解决几何转换通过集成可变形的回旋的结构。这些网络融合多尺度特性通过抽样介绍最后一个对象识别和区域回归。

在[62年),作者介绍了另一个对象检测通过流动和融合。作者提出一个端到端的深层神经网络(款)和流融合跟踪(FFT)跟踪技术,解决了两种方法的跟踪问题,如目标融合和目标流。更确切地说,FlowTracker款模块获得无限的目标定向进行像素级光流的运动目标流。另一方面,FuseTracker款模块FlowTracker提出的改进并跟踪目标和逐帧对象检测集成了用于目标融合,而不是信任的两个错误的来源之一目标建议。因为FlowTracker可以检测复杂目标运动模式,FuseTracker FlowTracker可以改进和集成的目标和探测器。

3所示。ANN模型评价方法

在本节中,三个不同的神经网络评估为CNN,英国石油(BP)和基于事例的实验找到更好的融合检测和确定培训时间、执行时间、预处理时间。一些网络的处理过程并不简单,需要大量的预处理来调整我们的数据,然后把它放在网络。整个过程如图5。首先对数据进行预处理,然后对网络评估的需求,因为每个网络可以以不同的方式处理不同。例如,CNN所需的输入信号可能是简单明了,但处理BP可能不是如此。

最新的计算机视觉的发展模式,注重深度学习,比以往任何时候都更容易创建对象检测应用程序。除了显著的性能改进,这些方法还利用大量的图像数据集减少大型数据集的必要性。当前的方法集中在一个完整的端到端管道,并允许实时使用,所以性能都得到很大的提高。如果你准备用向量形式的数据,为每个网络提供相同的数据集,并开始训练过程。培训完成后,给网络一个记录从主矢量数据集,并让网络的预测性能。首先检查单一融合检测,如果结果是好的,为网络提供整个测试数据集来预测熔丝和空保险丝槽,并允许网络区别两个项目。最后,评估每个网络的准确性和时间。

下面详细描述了从预处理实验过程输出检测融合检测。

3.1。预处理

在融合的目标检测的预处理过程,重要的是要理解特定的神经网络的基础,我们的实验可以有效地执行。在这项研究中,这三个模型的总体业绩评估首次根据126年的一个小数据集的图像。它包含了fuse工件和一个空的保险丝槽。有几个检测对象的方法。实验测试了三种模式的CNN,英国石油(BP)和事例9]。有更多的模型,也可以测试,但这三个模型被选作研究工作,因为这些模型已经广泛应用于许多世界各地的主要应用。为了处理这些模型首先,处理步骤必须分为下列问题。

训练模型越来越多的图像和确定最好的精度是一项艰巨的任务。随着图像数量的增加从500年到1000年,模型的准确性和时间复杂度也增加。该模型需要一些时间来加载数据集。因此,培训时间将会增加。平衡这两个,我们使用500张图片训练模型。(1)良好的图像数据集:为了训练神经网络模型,好的实验结果需要大量的图像提供模型。“很多”没有具体数字,只能训练模型和测试,和图像的数量继续增加,直到模型产生更可靠的结果和更少的错误。但增加图像的数量并不是免费的。如果计算机不够强大,它将花费我们更多的训练时间。因此,图像数据集的集合是一个艰巨的任务。(2)每个模型的基本知识:有必要了解每个模型的基本知识,因为这将允许我们选择哪种模式是最有效的完成我们的工作,因此支出相对较少的训练时间和更好的性能。图像的尺寸需要调整,整个一个图像的大小,通常需要更改或整个数据集,所以它是非常重要的图像处理的基本知识;正如上面提到的,每个网络需要以不同的格式或数据作为输入大小,为了理解图像的内部数据,以及如何使用它。

继续比较结果之前,你必须有神经网络如何工作的基本知识,尤其是深卷积神经网络和神经网络如何工作和如何培养这些水平。激活和损失函数是什么?他们如何工作和如何获得不同的结果,不同的功能?另一个重要的参数在神经网络学习速率,这直接影响到神经网络模型的学习过程。在培训期间,平均学习速率和平均故障率应该彼此相反。例如,如果损失小于0.05和学习速率接近1,假设模型训练有素和训练过程可以停止了。

3.2。数据集(输入数据)

保险丝对象数据来自吉林省自然科学基金。这个数据集包括3000的图像融合。为了培养一个自定义模型,实验需要准备数据集所需的目标和在某些情况下还需要准备其他类和类别,因此,网络可以很容易地识别所需的目标和不属预定目标的对象。每个网络都需要不同的形式和大小的数据送入网络。有必要理解这种特殊的网络是如何工作的,然后做一些数据预处理和准备网络。

通常,对象检测相关的问题X问题是提高。不需要实现模型。最重要的观点是有多少图片需要在培训阶段。每种类型的代表形象必须有大量(例如,> 100甚至> 1000)。所需的特殊背景图像模式识别的角度。在交通信号检测,它需要满足每个条件下的图像的需求,如相机条件和不同的天气状况。培训过程可能会影响到这一背景下,导致模型无法正确训练,如果我们有一个小的数据量。

下面是一个熔丝板包含至少39融合对象,如图6;保险丝董事会提取对象从不同的图像融合和准备我们的小数据集,而混合空保险丝槽。

首先,提取每个保险丝对象,将它转换成灰度图,然后将其调整为200×200在一个小图像,节省培训时间。

3.3。培训过程

训练一个神经网络通常是简单的,但有时它可能会非常棘手,这可能需要很多时间来发现和解决困难的问题。例如,在机器学习和神经网络,真的很难弄清楚为什么学习速率不是很高,为什么不是如此之低。在这个阶段,检查整个圆从一开始找的参数可能会导致这个问题。这些是三个不同的python融合检测算法。培训应包括以下阶段:(我)准备图片(2)提取图像(3)调整大小和灰度(iv)喂养网络图片(v)开始培训和监控学习速率

3.4。实际的培训

如果图像已经准备好了,实际的培训和监控将进行下一阶段的目标检测。在这个过程中,该算法需要足够的数据来训练模型。最好的训练阶段需要更多的时代和秘密层。必须选择学习速率,从而提高模型的精度。如果需要调整,一个非常低的值必须被激活。

4所示。修改再邻居(M-KNN)算法

本节包含重量特性的概念,使一个很好的改善距离测量通过添加建议过程重量特性。工作流的方法如下所示。提出该方法的想法是分配适当的标签K数据训练点的实例。第一点MKNN开始添加了一个强大的邻居的训练和计算示例。然后定义价值分配权重。图7显示了事例的修改算法的伪代码。验证出错率和训练错误率两个参数,及其之间的值k= 1,k= 7。如果我们增加的价值k= 1,k= 7,减少错误率和验证错误,所以我们使用k= 7得到最好的结果。

5。实验结果

本节介绍了实验方法用于检测融合,如何开发的数据集,以及如何转换数据在喂食前每个网络,然后论述了训练过程,最后看到结果。训练过程是逐步重复在CNN,英国石油(BP)和资讯来检测对象。此外,它也解释了训练过程是如何进行的,有多少时间是花在每个网络,融合识别率的百分比,这意味着网络是不是保险丝或空保险丝槽由百分比。

5.1。网络的分类再邻居

MK-NN very-easy-to-implement和简单的架构。它决定了基于最小距离最近的K近邻查询文本与训练样本。在收集再邻居,这些再邻居将被用来预测问题事件。分类器MK-NN执行以下两个步骤。首先,整个计算训练数据集之间运行观察。然后,在训练数据,将K点最接近的范围。注意,K通常是一个奇数来防止这种情况的发生。第二,估计每个类别的条件概率,即分数AA中点的类别名称(注意我(x)是一个指标函数;当声明xx是正确的,它的值是1;否则它是0)。最后,我们的输入xx是分配给最可能的类。看事例的另一种方法是把它当作衡量决策边界(即。,the boundary of two or more categories) and then divide the data into training, testing, and verification, as shown in Table1。(1)培训过程(事例):在开始训练之前,需要有不同的过程K价值观的价值K的网络表现良好。为每个值K、火车模型并返回准确的结果,如表所示2。如果K= 1,准确率高达98%,同时,K= 7,K= 9,它仍然保持在90%,如表所示3。很难找到的价值k在MK-NN。一个更小的值意味着噪音会对效率影响更大,而更高的价值会需要大量的计算。如果类别的数量是2,数据科学家通常会选择一个奇数,和另一个简单的方法来选择k是设置k=√n)。最近邻算法使用一个非常基本的分类方法。当比较新的例子,看看找到的训练数据k训练的例子就是最近的新例子。此后,最常见的类标签(在这些K训练例子)分配给测试用例。因此,Ki只是“投票”邻居的数量的测试例子类。如果k= 1,测试例子的标签作为训练集,如果最近的例子k= 3,它会检查是否有三个最近的类别标签,并将分配(即最常见的标签。,至少有两次)等大Ks。(2)准备数据(MK-NN):数据准备MK-NN上面列出的两个网络是一样的,但唯一的区别是,MK-NN获得二维(2 d)数组中的数据格式。对于CNN,数据需要一个张量形式,可以有更大的大小,包括配色方案参数。但MK-NN会(样品号、尺寸)格式的数据。这就是为什么一旦数据大小的变化,这个过程需要采取额外的步骤将整个训练和测试数据集转换成这种格式。(3)预测(MK-NN):如果MK-NN已经完成的培训过程,这个过程需要验证网络数据集和确定多少准确的预测网络。样品的结果Y预测如表所示4。下面的预测显示了一个完美的符合测试结果。第一个值数组显示测试结果,和第二个值数组显示了模型所期望的值。(4)完成预测测试数据集(MK-NN):我们评估整个网络数据集和视图的整体结果。如果模型是错误的,或者不确定是否在某个阶段模型所需的目标,垂直线将反映模型的可信度。以下是完整的测试数据集的结果如图8。测试的预测数据集是完美的,和所有的预测都低于98%。总的来说,模型是有效的,没有单一的预期结果的置信水平不到98%。精度是tp = (tp + FP)比,真阳性的数量在哪里tp和假阳性的数量是《外交政策》。分类器的能力凭直觉而不是负样本标记为积极的就是我们所说的准确性。记得tp的比率= (tp + fn),真正的正数是tp和错误的负数是fn。直观地说,召回是分类器的能力来识别所有阳性样品。的F1的分数可以被定义为精度和召回的加权平均,得分最高的F1是1,最严重的是0。的相对精度和召回率F1分数具有可比性。的公式F1得分如下:F1 = 2(精密召回)=(精度+召回)。(5)精度和召回的事例):基于上述的精度和召回结果完美的结果列在表中5。

5.2。卷积神经网络的分类

CNN是最简单的网络实现所有图像处理模型。因此,CNN一直是程序员的首选的基本对象识别。在预处理的过程中,训练,和显示结果,当找到一个简单的项目,有更少的问题的K值。每一个过程将在下面更详细地讨论。输出张量的大小(图像)的常规层,O是大小或输出图像的宽度。我代表输入图像的大小和宽度。K内核大小或宽度用于传统的层。N是内核的数字。年代步的卷积操作。P填充。输出图像的大小(O)是由

通道的输出图像的数量等于处理器的数量。

输入图像是227×227×3和96年第一次卷积内核层11×11×3。路径是4和填充为0。因此,输出图像的比例只是第一次卷积后层。

输出图像的尺寸是55 55××96(一个通道用于每个内核)。(1)准备数据集(CNN):在这个步骤中,准备一套通用数据模型,因为你将无法比较我们的结果,因为你想改变数据集的大小或图像。首先,从关键图像删除每个保险丝对象,然后将其保存到数据集。下一步是调整到200×200的小图像,然后将RGB转换为灰度节省培训时间,如图9。首先加载数据集和构建标记。但是,在创建这些系统之前,我们首先需要创建标签。一个示例图像的矢量图所示10。接下来,使粘贴图像;例如,从104年第一个图像图像,目标对象必须标记为0或1或根据需要。马克剩下的图像从104年到126年没有针对性图片1或0。选择第一组图像为0;剩下的图片必须标记为1。有一个简单的数据部门和一个明确的目标对象和目标对象之间的边界。的部门培训测试数据用于测试的20%和80%的数据用于制备。图11显示了基于事例的伪代码修改。一旦数据集的准备过程是使用标签数据,完成数据和标签会改变改变融合对象所在地和不合并数据集对象的顺序。它有更大的意义网络,有助于更强大和更有效的准备。这个方法将重复这些步骤,以确保我们的每个模型保持直,这样可以很容易地匹配的结果。最后,数据集分为训练数据集和测试数据集。训练数据集将提供网络培训的目的,和测试数据集将提供网络来验证网络上的数据的质量。

5.3。培训过程(CNN)

提供的数据可以使用在训练过程中训练和执行使用适合的模型()函数。在培训过程之前,我们应该了解所需要的层数启用这个特性,如图12。然后编译并调用该函数。

另一方面,精度值应该等于1,误差值应该更改为0。在培训过程中,失败和准确性必须扭转。这同样适用于缺乏合法性和准确性的验证。只要损失减少在训练阶段,CNN.hdf5检查点/重量将存储。下次使用这些权重来防止冗长的训练阶段和开始使用新的工件重量保存在本地进行预测。

5.4。预测(CNN)

如果CNN培训完成后,提供测试数据设置为网络,判断准确的预测有多少网络。预测一个示例屏幕显示在表中2。下面的表显示了真正的标签 ,例如,预测标签和预测对象 ,最后显示检测到的类别(不是目标)。重复这个过程中的每一项测试数据集和评估结果如下所示。如表所示2,用于每个周期/预测应该是1.23秒。

5.5。完成测试的预测数据集(CNN)

如果预测是通过单个图像测试,那么是时候来测试整个网络上的数据集,看看整体的结果。如果模型是错误的,或是不确定模型所需的目标在某一阶段,垂直线将反映模型的可信度。例如,如果模型确定所需的目标96%,第一栏将几乎完全,第二栏将在预测图几乎看不见。然而,如果该模型预测,适当的对象的对象占51%,两个酒吧的高度几乎是相同的。以下是完整的测试数据集的结果如图13。测试的预测数据集是令人满意的,因为平均而言,所有的工件要求的置信水平96%以上。

5.6。准确性和损失检查(CNN)

图14 14 (a)和(b)显示的准确性和失败测试和训练数据检查。训练数据的准确性几乎是0.8,0.9和测试数据的准确性。当然,最初损失高,逐步减少培训和测试结果。如果时间数量的增加和数据集的大小增加,结果当然会被更新。或者至少增加时间的数量,进一步提高效率。在培训过程中,更多的数据和更多的机会,直接损失,和准确性为模型提供更多的条件。通过这种方式,网络可以学习和创造更多的空间和目标之间的不属预定目标的。

5.7。反向传播网络的分类

反向传播可能是大多数python程序员的第二选择,因为python没有内置框架或库很容易实现的。然而,python脚本必须运行实现反向传播模型。换句话说,英国石油(BP)并不是一个简单的网络。大部分的步骤是一样的CNN的形象准备,培训过程和评价过程。所不同的是,在网络输入节点的大小饲料是200×200,以适应每个图像的输入尺寸数据。关键步骤如下培训网络。整个英国石油(BP)方程给出了这个问题如下: 在哪里k代表整体节点在上面的层节点j,dj预期的输出节点吗j,yj是实际的输出。此外,输入之间的重量,δL是唯一的数据需要计算重量的梯度层l,然后我们可以计算前面层和递归地复制它σ节点的误差项是吗j。(1)准备数据(BP):就像CNN的准备数据,采取相同的措施为BP网络准备数据。把相同的数据集和相同的维数;什么都没有改变。的部门培训测试数据用于测试的20%和80%的数据用于制备。首先,您需要从主图中提取每个保险丝对象并将其保存到我们的数据集。下一步是调整到200×200的小图片。在那里,我们将RGB转换成灰度节省培训时间。如果命令执行,python会显示训练过程的进展。每个时代都将显示学习速率和花费的时间(以秒为单位)。BP网络必须自动改变每个时期的学习速率,因为它必须适应输入向量和输出,然后测量误差。基于误差,将调整学习速率和网络在接下来的时期将被测试。训练阶段如表所示6。(2)预测(BP):如果训练过程完成后,BP将使用网络测试数据集来测试多少产生准确的预测网络。预测样本的结果如表所示7。以下预测显示,这两个对象不是融合对象,剩下的是融合对象在网络上。(3)完成预测测试数据集(BP):一旦一个图像的识别测试完成后,现在可以测试整个网络上的数据集和视图的整体结果。如果模型是错误的,或在某一阶段不确定模型是理想的目标,垂直线将反映模型的可信度。例如,如果模型确定所需的目标96%,第一栏将几乎完全,第二栏将在预测图几乎看不见。然而,如果该模型预测,适当的对象的对象占51%,两个酒吧的高度几乎是相同的。整个测试的结果数据集如图8。测试数据集上的预测很好,因为所有必要的项目的信心不是太高,平均只略高于51%。(4)MSE和学习速率(BP):数据(15日)和15 (b)显示MSE(均方误差)之间的关系,学习速度和准确性的训练结果。学习速率维持在0.5时,MSE迅速下降,然后变得不稳定,但仍是高和低。此外,由于没有检测到单一对象,精度为0%。当学习速率下降至0.01,MSE迅速下降,在其余的时间保持一致。同时,因为该模型可以检测目标和不属预定目标的对象同时,精度提高到98%。训练数据的准确性几乎是0.61,和测试数据是0.51。当然,最初的训练和测试结果,损失是非常高的,逐步减少,但是,通过增加数量的时期,将进一步改善性能。

6。结果与讨论

基于上述数据,基于事例不难得出这样的结论:有最好的模型在三个模型。根据训练时间,预测时间,预测的准确性,然而,表现良好,并提供了98%的结果。正如你所看到的,每个模型下表中有几个参数。首先是模型是否需要预处理图像,和第二个参数是培训时间,这是最重要的参数之一,在神经网络训练。第三个关键参数估计的时间。对实时系统这个参数是非常重要的,因为必须在实时预测,所以延迟预测可能会导致一个大问题;并将所有参数在最后的参数精度的百分比。因此,看着下面的所有数据,很容易假设基于事例的性能是非常有效的,预测的结果远高于计划性能。此外,从应用程序的角度,处理时间,内存,和资源需求扮演着一个关键角色,选择一个分类器,和事例可以提供廉价的计算结果与结果,容易分类。

的计算要求CNN和BP,当选择一个分类器,应用程序在处理时间和资源需求是关键因素也应该考虑硬件的能力。表8和图16显示的整体比较分析这三个模型。在整个研究过程中,我们得出的结论是,相比之下,传统的事例,CNN,和英国石油(BP)的精度(%),时间复杂度(min),和处理高维度、基于绩效的事例修改是一个更有效的模型数据集。

7所示。结论

本文提出了一种改进的基于事例(MK-NN)模型改进E-healthcare应用程序中的对象检测。我们分析了提出MK-NN模型通过CNN,英国石油(BP)和传统事例模型来找出哪些模型是有效的经过多次培训和测试。我们的分析结果表明,基于网络的关键参数,训练时间,预测时间,和预测准确性,MK-NN是最好的模型在四个模型。MK-NN表现良好在训练和预测时间(20秒,20分钟),并提供了98%的准确率。未来的研究应该发现并将该模型架构师(MK-NN)模型和比较其他计算机视觉应用程序的性能。同样,一个有趣的实现是用多层产出完全连接层增加函数的矢量大小来提高性能。

数据可用性

因为资金项目不是关闭,相关专利评估,仿真数据用于支持本研究的发现正在禁运,而研究成果商业化。请求数据,在批准的专利项目关闭后,将被相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

奥马尔Cheikhrouhou承认塔伊夫大学的支持下塔伊夫大学的研究人员支持项目(TURSP-2020/55),塔伊夫大学,塔伊夫,沙特阿拉伯。