攻击一个寄生虫卵在野外检测的外域问题

科学领域:

• 计算机科学,机器学习
• 寄生虫学,诊断和研究

背景情况:

• 机器学习模型与域外 (OO-Do) 数据扎,其中测试数据与训练数据不同,限制了现实世界的部署.
• 准确的寄生虫卵检测对于公共卫生至关重要,但现有的模型面临着各种现实条件的挑战.

研究的目的:

• 用对象检测来解决寄生虫卵检测中的OO-Do问题.
• 引入一个新的数据集和数据驱动的框架,在现实应用中进行强大的寄生虫卵识别.

主要方法:

• 开发"野生寄生虫卵"数据集 (1552张图像) 通过聊天机器人从222名学生收集.
• 建议建立一个数据驱动的框架,使用公开可用的数据集来训练模型在域内和OO-Do概念上.
• 整合策略的评估和两个步骤的寄生虫卵检测方法的门.

主要成果:

• 拟议的框架整合了OO-Do意识的分类模型对象后检测,显著改善了寄生虫卵检测.
• 在Chula+Wild和In-the-wild寄生虫卵数据集上,相比基线,F1评分分别提高了7.37%和4.09%.
• 通过优化值策略,证明了对OO-Do数据的增强模型稳定性.

结论:

• 开发的框架有效地减轻了OO-Do在寄生虫卵检测中的问题.
• "野生寄生虫卵"数据集为在现实环境中评估OO-Do意识模型提供了宝贵的资源.
• 这些发现支持机器学习在寄生虫学诊断中的实际应用.