VectorBrain是一個多任務(wù)EfficientNet架構(gòu),,專為蚊子分類設(shè)計,,同時輸出種類、性別和腹部狀態(tài),。該架構(gòu)包括一個特征提取器和一個分支結(jié)構(gòu),,每個分支對應(yīng)一個分類任務(wù)。
在識別蚊子方面,,VectorBrain使用了輕量級的YOLO模型,,能夠?qū)崟r定位蚊子,并使用檢測到的坐標裁剪出只包含蚊子本身的圖像,,來進行更好的識別,。
圖片舉例說明了分類蚊子圖像的各個階段。首先,,展示需要分類的完整蚊子圖像(a),。然后,,使用YOLO算法根據(jù)坐標裁剪蚊子圖像,,并進行一系列圖像變換以準備分類(b),。最后,,顯示分類算法的輸出結(jié)果,,確定圖像中的蚊子種類(c)。
具體而言,YOLO模型在訓(xùn)練和驗證過程中的精度、召回率和平均精度(mAP)分別為96.00%、90.50%和95.87%,。種類分類模型的準確率為92.40±2%,,性別分類模型的準確率為97.00±1%,腹部狀態(tài)分類模型的準確率為83.20±3.1%,。
(a)為YOLO模型在訓(xùn)練和驗證中的性能指標,(b)為模型檢測蚊子案例
通過種類、性別,、腹部狀態(tài)分類的混淆矩陣和準確率
在 VectorCam 提供的論文中,還將其正在使用的 YOLOv5 與廣泛應(yīng)用于各種目標檢測任務(wù)的 Faster R-CNN 模型進行對比,YOLOv5 Small 在參數(shù)數(shù)量,、模型大小,、mAP 和運行時間等方面都有更好表現(xiàn),,
赤腳醫(yī)生也能快速上手
不僅是更有針對性的大模型,,VectorCam為了適應(yīng)瘧疾傳播區(qū),在具體操作方面也進行了簡化,,使其能夠更好地適應(yīng)瘧疾傳播區(qū)的實際情況。
具體而言,,VectorCam包括一套專門的成像設(shè)備和一款手機應(yīng)用程序。其中的硬件組件包括內(nèi)置15倍微距鏡頭的燈箱,、手機殼設(shè)計和擴展塢,。硬件還包括Eppendorf管支架和蚊子托盤以及穿孔標本ID表,,更好地儲存這些蚊子。
比爾·蓋茨在Next Big Idea Club的播客中探討了人工智能的未來,,他強調(diào)“元認知”將是這一領(lǐng)域的下一個重要突破口
2024-07-21 17:48:38為什么比爾蓋茨認為人工智能需要一定的自我意識?