Başlamak için Python'da PyTorch gibi bir derin öğrenme kitaplığı yükleyin. Torch ve Torchvision Modellerini model olarak içe aktarın. Ardından, önceden eğitilmiş VCG16 modelini yükleyin.
DCL algoritmasının sözde kodunu oluşturmak için, giriş alanına görüntü veri kümesi SOD'si sağlayın ve çıkış alanı olarak DCL modelini eğitin. Şimdi DCL modelini VGG16 omurga ağıyla başlatın. Görüntü veri kümesini önceden işleyin, ardından veri kümesini eğitim ve doğrulama kümelerine bölün.
DCL modelini eğitmek için kayıp fonksiyonunu tanımlayın. Eğitim hiperparametrelerini öğrenme hızı için 0,0001, ayarlanan eğitim dönemi sayısı olarak 50, toplu iş boyutu olarak sekiz ve optimize edici olarak Adem olarak ayarlayın. DCL ve DEDN ağlarının çıktılarını birleştirin ve tamamen bağlı bir koşullu rastgele alan modeli kullanarak belirginlik haritasını iyileştirin.
Görüntüyü işlemek için, GUI arayüzünü getirmek için çalıştırma koduna tıklayın. Şimdi basın Resmi Aç algılama için seçilen görüntüyü seçmek için. Ardından seçilen görüntüyü göstermek için Resmi Görüntüle'ye basın.
Seçilen görüntüyü algılamak için Algılamayı Başlat'a tıklayın. Son olarak, Güvenli Yolu Seç'e basın ve görüntü sonuçlarını kaydetmek için uygun dosya konumunu seçin. DCL modelinin algoritmadan çıkarılması F beta değerinde düşüşe ve E MAE değerinde artışa neden olmuştur.
Bu algoritma yalnızca DEDN yapısını kaldırır. Modülün tamamına kıyasla F beta değerinde benzer bir azalma ve E MAE değerinde bir artış gözlendi. DCL algoritması, SOD veritabanındaki görüntüleri algılarken hedef sınırı tanımladı, ancak arka planı etkili bir şekilde filtrelemekte zorlandı.
Ancak, DEDN algoritması hedef sınırı güçlendirdi, ancak arka plan artıklık bilgilerini gizledi.
