实验鼠解剖器械临床实验
来源：未知 |发布时间：2021-07-10 10:53|点击:次
基于关键点的实验鼠解剖器械视觉检测研究
在生命科学、医学等领域中实验鼠一直扮演着不可或缺的角色，比如在生物医学研究中实验鼠主要用于药物评价和毒性实验等。实验鼠是医药等科学研究必备的实验动物，使用程度较高，使用范围较广，为避免人工记录造成的实验误差与人力的大量投入，通过计算机对实验鼠进行检测，分析视频记录，给实验者提供更精准和详细的实验鼠运动信息具有重要的应用价值和广阔的应用前景。
实验鼠的研究可能需要在多个场景与多种环境下进行，复杂的环境使得在检测实验鼠时有诸多的难点，比如实验鼠实验鼠解剖器械的遮挡问题或实验鼠的伸展性与多动性等都会给实验鼠的目标检测带来挑战。
随着深度学习的兴起，目标检测领域实现了突破性的发展，基于深度学习的目标检测算法已成为该领域中非常重要的一类算法，主要分为两类，一类是以ＲCNN为代表的基于ＲegionProposal的目标检测算法，包括Fast－ＲCNN，Faster－ＲCNN，Ｒ－FCN和MaskＲ－CNN等，这类算法属于Two－stage算法，实时性低但准确率高;以YOLO为代表的基于回归的目标检测算法，实验鼠解剖器械包括SSD等，这类算法属于One－stage算法，实时性高但准确率较低，与传统的目标检测算法相比，基于深度学习的目标检测算法的准确性和实时性都有了极大的提高。在基于anchorbox的目标检测算法被广泛使用的同时，一种新的目标检测算法逐渐出现在人们的视野中，基于关键点的目标检测算法以其独特的思想越来越受到人们的关注，主要有CornerNet、ExtremeNet和CenterNet等，基于关键点的目标检测算法不再需要anchor机制，是目标检测领域的一种新思想。
由于在应对检测实验鼠这种单目标时，原网络的训练时间长，实验鼠解剖器械算法复杂度高，无法用于真正的实验环境中，而且在检测实验鼠目标时，因目标本身较小，如果卷积层数过多会导致目标容易丢失一部分特征信息，针对上述问题，本文提出了改进Cen-terNet的目标检测方法，该方法重新设计了主干网络并且在网络结构中加入注意力机制，最后在实验鼠数据集上对改进后的网络进行训练和验证。
1CenterNet算法介绍
CenterNet算法是由ZhouX等人提出，网络的中心思想是预测目标的中心点，通过中心点再回归目标的其他属性，例如尺寸、3D位置等。CenterNet的输入图像经过BackboneNetwork(HourglassNet-workorＲesnetorDLA－34)生成Centerheatmap、中心点偏置和目标的宽高信息，目标的宽高信息由每个峰值点周围的图像特征信息得到，再通过中心点偏置来修正中心点位置，不需要NMS(非极大值抑制)后处理。实验鼠解剖器械CenterNet的检测性能可以在MSCOCO数据集上达到45．1%的AP值。网络结构中的BackboneNetwork以ＲesNet为例。
网络的输入图片的分辨率为384×384，经过layer1的4层卷积层，再经过layer2、layer3和layer4的带有残差块的卷积层，得到分辨率为12×12的特征图，这时再经过Deconvlayer进行上采样，得到分辨率为96×96的特征图，最后经过卷积层分别得Centerheatmap、中心点偏置和目标的宽高信息。实验鼠解剖器械的临床应用。
此文字最终解释权归河南宜慧康科技有限公司所有：详情请咨询河南宜慧康科技有限公司官网。
上一篇：进口小鼠固定器的售价
下一篇：啮齿类动物手术器械进口的好吗
