Para empezar, cargue una biblioteca de aprendizaje profundo en Python, como PyTorch. Importe los modelos de Torch y Torchvision como modelos. A continuación, cargue el modelo VCG16 previamente entrenado.
Para generar el pseudocódigo del algoritmo DCL, proporcione el SOD del conjunto de datos de imagen en el campo de entrada y utilice el modelo DCL de entrenamiento como campo de salida. Ahora inicialice el modelo DCL con la red troncal VGG16. Procese previamente el conjunto de datos de imágenes y, a continuación, divida el conjunto de datos en conjuntos de entrenamiento y validación.
Defina la función de pérdida para entrenar el modelo DCL. Establezca los hiperparámetros de entrenamiento como 0,0001 para la tasa de aprendizaje, 50 como el número de épocas de entrenamiento establecidas, ocho como el tamaño del lote y Adam como optimizador. Combine las salidas de las redes DCL y DEDN y refine el mapa de prominencia utilizando un modelo de campo aleatorio condicional totalmente conectado.
Para procesar la imagen, haga clic en el código de ejecución para abrir la interfaz GUI. Ahora presione Abrir imagen para elegir la imagen seleccionada para la detección. A continuación, pulse Mostrar imagen para mostrar la imagen seleccionada.
Haga clic en Iniciar detección para detectar la imagen seleccionada. Por último, presione Seleccionar la ruta segura y elija la ubicación de archivo adecuada para guardar los resultados de la imagen. La eliminación del modelo DCL del algoritmo provocó una disminución en el valor de F beta y un aumento en el valor de E MAE.
Este algoritmo solo elimina la estructura DEDN. Se observó una disminución similar en el valor de F beta y un aumento en el valor de E MAE en comparación con el módulo completo. El algoritmo DCL describía el límite de destino al detectar imágenes en la base de datos SOD, pero tenía dificultades para filtrar eficazmente el fondo.
Sin embargo, el algoritmo DEDN reforzó el límite de destino, pero suprimió la información de redundancia en segundo plano.
