Para começar, carregue uma biblioteca de aprendizado profundo em Python, como o PyTorch. Importar modelos de Tocha e Tocha como modelos. Em seguida, carregue o modelo VCG16 pré-treinado.
Para gerar o pseudocódigo do algoritmo DCL, forneça SOD de conjunto de dados de imagem no campo de entrada e use o modelo DCL de trem como o campo de saída. Agora inicialize o modelo DCL com a rede de backbone VGG16. Pré-processe o conjunto de dados de imagem e, em seguida, divida o conjunto de dados em conjuntos de treinamento e validação.
Defina a função de perda para treinar o modelo DCL. Defina os hiperparâmetros de treinamento como 0,0001 para a taxa de aprendizado, 50 como o número de épocas de treinamento definidas, oito como o tamanho do lote e Adam como o otimizador. Combine as saídas das redes DCL e DEDN e refine o mapa de saliência usando um modelo de campo aleatório condicional totalmente conectado.
Para processar a imagem, clique no código de execução para abrir a interface GUI. Agora pressione Abrir imagem para escolher a imagem selecionada para detecção. Em seguida, pressione Exibir imagem para mostrar a imagem selecionada.
Clique em Iniciar detecção para detectar a imagem selecionada. Por fim, pressione Select the Safe Path e escolha o local apropriado para salvar os resultados da imagem. A remoção do modelo DCL do algoritmo causou uma diminuição no valor de F beta e um aumento no valor de E MAE.
Esse algoritmo remove apenas a estrutura DEDN. Uma diminuição semelhante no valor de F beta e um aumento no valor de E MAE foram observados em comparação com o módulo completo. O algoritmo DCL descreveu o limite de destino ao detectar imagens no banco de dados SOD, mas teve dificuldades para filtrar efetivamente o plano de fundo.
No entanto, o algoritmo DEDN fortaleceu o limite de destino, mas suprimiu as informações de redundância em segundo plano.
