.png){kind=icon}
返回
A novel microarray detection method based on deep learning with edge computing
.png){kind=icon}
PRE
AI
DOI：10.1088/1361-6501/ae2b91.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
传统微阵列扫描仪通常依赖高性能计算机来处理采集的图像。为解决这些挑战，我们提出了一种新型微阵列检测（MD）方法，该方法设计用于部署在集成边缘计算的电荷耦合器件（CCD）微阵列扫描仪上。在该MD方法中，我们提出了一种新型模型C2f_SC，该模型将星操作的计算效率与上下文锚点注意力机制相结合，以在紧凑的模型架构中提升检测精度。我们进一步将C2f_SC模块集成到You Only Look Once v8（YOLOv8）框架中，采用MobileNetV3与卷积块注意力模块（CBAM）作为骨干网络，移除了中等和大型目标的检测头，用带符号的交并比（signed intersection over union）替换了边界框损失函数，并在小型目标检测头前加入了ResBlock_CBAM。利用基因表达综合数据库中的微阵列图像，实验结果表明，与其它YOLO模型相比，我们的方法显著降低了所需的每秒十亿次浮点运算（GFLOPs）和模型大小，同时在mAP@50性能上保持可比或更高水平，且仅在mAP@50–95上略有下降。具体而言，相较于YOLOv8n，我们的方法在mAP@50上达到同等水平，但仅使用了32.9%的GFLOPs和43.3%的模型权重。此外，我们在来自韩国MGmed Inc.（MGMED BAC）的BAC微阵列上比较了激光共聚焦扫描仪与CCD扫描仪，以验证CCD扫描仪的可靠性。大量的实验结果证明，所提出的MD方法显著降低了对外部大规模计算系统的依赖。
期刊
IF:
3.4
论文数:
2.7K
被引数:
2.3W
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
OAAI分享收藏分享收藏MBFormer-YOLO: Multibranch Adaptive Spatial Feature Detection Network for Small Infrared Object DetectionMBFormer-YOLO: 用于红外小目标检测的多分支自适应空间特征检测网络.png)
IEEE SENSORS JOURNAL
IEEE SENSORS JOURNALIF4.5
PREAI
分享收藏
查看更多内容