优化图像增强:在人工智能辅助的人工视网膜中改进分类的特征工程

科学领域:

• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 人工视网膜可以恢复视力,但由于像素有限,对象识别很困难.
• 目前的方法,如边缘检测,对于复杂的多对象场景是不够的.

研究的目的:

• 为人工视网膜开发一种图像增强技术,在复杂的场景中优先考虑主要对象.
• 引入一种分类模型,使用选择性特征识别主要对象,以改善人工视觉.

主要方法:

• 一个多标签深度神经网络被设计用于利用对象分类的选择性特征集.
• 拟议的图像增强技术与边缘检测方法进行了比较.
• 分类模型的性能是根据其识别不同数量的顶级对象的能力进行评估的.

主要成果:

• 拟议的分类模型在识别物体方面取得了很高的准确性,在单个物体分类中达到96.4%.
• 选择性特征在多对象场景中显著改善了分类模型的性能.
• 分析通过精度,回忆和曲线下的面积等指标证实了模型的可靠性.

结论:

• 开发的分类模型有效地解决了人工视网膜在多对象场景中对象识别的挑战.
• 利用选择性特征可以增强分类模型,优化图像处理以获得更好的人工视觉.
• 这种方法为改善视力受损者的人工视网膜系统和视觉感知提供了有价值的工具.