Pour commencer, chargez une bibliothèque de Deep Learning en Python, telle que PyTorch. Importez des modèles Torch et Torchvision en tant que modèles. Ensuite, chargez le modèle VCG16 pré-entraîné.
Pour générer le pseudo-code de l’algorithme DCL, fournissez le jeu de données d’image SOD dans le champ d’entrée et utilisez le modèle d’entraînement DCL comme champ de sortie. Initialisez maintenant le modèle DCL avec le réseau principal VGG16. Prétraitez le jeu de données d’image, puis divisez-le en jeux d’entraînement et de validation.
Définissez la fonction de perte pour l’entraînement du modèle DCL. Définissez les hyperparamètres d’entraînement sur 0,0001 pour le taux d’apprentissage, 50 comme nombre d’époques d’entraînement définies, huit comme taille de lot et Adam comme optimiseur. Combinez les sorties des réseaux DCL et DEDN et affinez la carte de saillance à l’aide d’un modèle de champ aléatoire conditionnel entièrement connecté.
Pour traiter l’image, cliquez sur le code d’exécution pour afficher l’interface graphique. Appuyez maintenant sur Ouvrir l’image pour choisir l’image sélectionnée pour la détection. Appuyez ensuite sur Afficher l’image pour afficher l’image sélectionnée.
Cliquez sur Démarrer la détection pour détecter l’image sélectionnée. Enfin, appuyez sur Sélectionner le chemin d’accès sécurisé et choisissez l’emplacement de fichier approprié pour enregistrer les résultats de l’image. La suppression du modèle DCL de l’algorithme a entraîné une diminution de la valeur bêta F et une augmentation de la valeur E MAE.
Cet algorithme supprime uniquement la structure DEDN. Une diminution similaire de la valeur bêta F et une augmentation de la valeur E MAE ont été observées par rapport au module complet. L’algorithme DCL décrivait la limite cible lors de la détection d’images dans la base de données SOD, mais avait du mal à filtrer efficacement l’arrière-plan.
Cependant, l’algorithme DEDN a renforcé la limite cible, mais a supprimé les informations de redondance en arrière-plan.
