시작하려면 Python에서 PyTorch와 같은 딥 러닝 라이브러리를 로드합니다. Torch 및 Torchvision 모델을 모델로 가져옵니다. 다음으로, 미리 학습된 VCG16 모델을 로드합니다.
DCL 알고리즘의 의사 코드를 생성하려면 이미지 데이터 세트 SOD를 입력 필드에 제공하고 학습 DCL 모델을 출력 필드로 사용합니다. 이제 VGG16 백본 네트워크로 DCL 모델을 초기화합니다. 이미지 데이터 세트를 사전 처리한 다음, 데이터 세트를 학습 및 검증 세트로 분할합니다.
DCL 모델을 학습하기 위한 손실 함수를 정의합니다. 학습 하이퍼파라미터를 학습률의 경우 0.0001로, 설정된 학습 Epoch 수로 50으로, 배치 크기로 8을, 최적화 함수로 Adam을 설정합니다. DCL 및 DEDN 네트워크의 출력을 결합하고 완전히 연결된 조건부 랜덤 필드 모델을 사용하여 현저성 맵을 구체화합니다.
이미지를 처리하려면 실행 코드를 클릭하여 GUI 인터페이스를 불러옵니다. 이제 이미지 열기를 눌러 감지를 위해 선택한 이미지를 선택합니다. 그런 다음 이미지 표시를 눌러 선택한 이미지를 표시합니다.
Start Detection(감지 시작)을 클릭하여 선택한 이미지를 감지합니다. 마지막으로 안전 경로 선택 적절한 파일 위치를 선택하여 이미지 결과를 저장합니다. 알고리즘에서 DCL 모델을 제거하면 F beta 값이 감소하고 E MAE 값이 증가했습니다.
이 알고리즘은 DEDN 구조만 제거합니다. F 베타 값의 유사한 감소와 E MAE 값의 증가가 전체 모듈과 비교하여 관찰되었습니다. DCL 알고리즘은 SOD 데이터베이스에서 이미지를 감지할 때 대상 경계를 설명했지만 배경을 효과적으로 필터링하는 데 어려움을 겪었습니다.
그러나 DEDN 알고리즘은 대상 경계를 강화했지만 백그라운드 중복 정보는 억제했습니다.
