Loading...
机构名称:
¥ 1.0

摘要。对象检测算法,特别是基于 YOLO 的算法,在平衡速度和准确性方面表现出了显著的效率。然而,它们在脑肿瘤检测中的应用仍未得到充分探索。本研究提出了 RepVGG-GELAN,这是一种新颖的 YOLO 架构,通过 RepVGG 进行了增强,RepVGG 是一种重新参数化的卷积方法,用于对象检测任务,特别侧重于医学图像中的脑肿瘤检测。RepVGG-GELAN 利用 RepVGG 架构来提高检测脑肿瘤的速度和准确性。将 RepVGG 集成到 YOLO 框架中旨在实现计算效率和检测性能之间的平衡。本研究包括基于空间金字塔池化的广义高效层聚合网络 (GELAN) 架构,进一步增强了 RepVGG 的能力。在脑肿瘤数据集上进行的实验评估表明,RepVGG-GELAN 在精度和速度方面超越了现有的 RCS-YOLO。具体而言,RepVGG-GELAN 在 240.7 GFLOPs 的运行速度下,与现有的最新方法相比,其精度提高了 4.91%,AP50 提高了 2.54%。提出的具有 GELAN 架构的 RepVGG-GELAN 取得了令人鼓舞的结果,成为医学图像中准确、高效地检测脑肿瘤的最先进的解决方案。实现代码已公开发布在 https://github.com/ThensiB/RepVGG-GELAN。

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日PDF文件第1页

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日PDF文件第2页

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日PDF文件第3页

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日PDF文件第4页

arXiv:2405.03541v1 [cs.CV] 2024 年 5 月 6 日PDF文件第5页

相关文件推荐

2024 年
¥1.0