Abstracto
El rendimiento de la detección de espermatozoides es particularmente crítico para el seguimiento de la motilidad de los espermatozoides. Sin embargo, hay una gran cantidad de objetos que no son espermatozoides, oclusión de espermatozoides y características de textura poco detalladas en las imágenes de semen, que afectan directamente la precisión de la detección de espermatozoides. Para resolver el problema de la detección falsa y la detección perdida en la detección de espermatozoides, se propone un modelo de detección de objetivos de múltiples espermatozoides, Yolov5s-SA, con un mecanismo de atención SA basado en el algoritmo YOLOv5s. En primer lugar, se utiliza una estructura de convolución separable en profundidad para reemplazar la convolución parcial de la red troncal, lo que puede garantizar una precisión estable y reducir el número de parámetros del modelo. En segundo lugar, un nuevo módulo de fusión de características a escala múltiple está diseñado para mejorar la percepción de la información de características para complementar la información posicional y la alta resolución del mapa de características profundas. Finalmente, el mecanismo de atención de SA se integra en la red de cuello antes de la salida del mapa de características para mejorar la correlación entre los canales del mapa de características y mejorar la capacidad de fusión de características de grano fino de YOLOv5s. Los resultados experimentales muestran que, en comparación con varios algoritmos de YOLO, el algoritmo propuesto mejora la precisión y la velocidad de detección hasta cierto punto. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. Finalmente, el mecanismo de atención de SA se integra en la red de cuello antes de la salida del mapa de características para mejorar la correlación entre los canales del mapa de características y mejorar la capacidad de fusión de características de grano fino de YOLOv5s. Los resultados experimentales muestran que, en comparación con varios algoritmos de YOLO, el algoritmo propuesto mejora la precisión y la velocidad de detección hasta cierto punto. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. Finalmente, el mecanismo de atención de SA se integra en la red de cuello antes de la salida del mapa de características para mejorar la correlación entre los canales del mapa de características y mejorar la capacidad de fusión de características de grano fino de YOLOv5s. Los resultados experimentales muestran que, en comparación con varios algoritmos de YOLO, el algoritmo propuesto mejora la precisión y la velocidad de detección hasta cierto punto. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. el mecanismo de atención SA está integrado en la red del cuello antes de la salida del mapa de características para mejorar la correlación entre los canales del mapa de características y mejorar la capacidad de fusión de características de grano fino de YOLOv5s. Los resultados experimentales muestran que, en comparación con varios algoritmos de YOLO, el algoritmo propuesto mejora la precisión y la velocidad de detección hasta cierto punto. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. el mecanismo de atención SA está integrado en la red del cuello antes de la salida del mapa de características para mejorar la correlación entre los canales del mapa de características y mejorar la capacidad de fusión de características de grano fino de YOLOv5s. Los resultados experimentales muestran que, en comparación con varios algoritmos de YOLO, el algoritmo propuesto mejora la precisión y la velocidad de detección hasta cierto punto. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente. En comparación con los modelos YOLOv3, YOLOv3-spp, YOLOv5s y YOLOv5m, la precisión promedio aumenta en un 18,1 %, 15,2 %, 6,9 % y 1,9 %, respectivamente. Puede reducir efectivamente la detección perdida de espermatozoides ocluidos y lograr una detección de objetivos de múltiples espermatozoides liviana y eficiente.
Palabras clave:detección de espermatozoides ; convolución separable en profundidad ; YOLOv5 ; mecanismo de atención
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre
oro BIFTA wre