للبدء ، قم بتحميل مكتبة التعلم العميق في Python ، مثل PyTorch. استيراد نماذج الشعلة و Torchvision كنماذج. بعد ذلك ، قم بتحميل طراز VCG16 المدرب مسبقا.
لإنشاء الكود الزائف لخوارزمية DCL ، قم بتوفير SOD لمجموعة بيانات الصورة في حقل الإدخال واستخدم نموذج تدريب DCL كحقل إخراج. الآن قم بتهيئة طراز DCL باستخدام شبكة VGG16 الأساسية. قم بمعالجة مجموعة بيانات الصورة مسبقا، ثم قسم مجموعة البيانات إلى مجموعات تدريب وتحقق من الصحة.
تحديد دالة الخسارة لتدريب نموذج DCL. قم بتعيين المعلمات الفائقة للتدريب على أنها 0.0001 لمعدل التعلم ، و 50 كعدد فترات التدريب المحددة ، وثمانية كحجم الدفعة ، و Adam كمحسن . اجمع مخرجات شبكات DCL و DEDN وصقل خريطة البروز باستخدام نموذج حقل عشوائي شرطي متصل بالكامل.
لمعالجة الصورة ، انقر فوق رمز التشغيل لإظهار واجهة المستخدم الرسومية. الآن اضغط على فتح الصورة لاختيار الصورة المحددة لاكتشافها. ثم اضغط على عرض الصورة لإظهار الصورة المحددة.
انقر فوق بدء الكشف لاكتشاف الصورة المحددة. أخيرا ، اضغط على حدد المسار الآمن واختر موقع الملف المناسب لحفظ نتائج الصورة. تسببت إزالة نموذج DCL من الخوارزمية في انخفاض قيمة F beta وزيادة في قيمة E MAE.
هذه الخوارزمية تزيل بنية DEDN فقط. لوحظ انخفاض مماثل في قيمة F beta وزيادة في قيمة E MAE مقارنة بالوحدة الكاملة. وصفت خوارزمية DCL الحد المستهدف عند اكتشاف الصور في قاعدة بيانات SOD ، لكنها كافحت لتصفية الخلفية بشكل فعال.
ومع ذلك ، عززت خوارزمية DEDN الحدود المستهدفة ، لكنها قمعت معلومات التكرار في الخلفية.