Browsing by Author "曾柏恩"

Filter results by typing the first few letters
Now showing 1 - 2 of 2
  • No Thumbnail Available
    Item
  • No Thumbnail Available
    Item
    基於深度學習之變韌鐵電子顯微影像中MA島的輕量化分割模型
    (2023) 曾柏恩; Tseng, Po-An
    本研究提出一個基於深度學習之變韌鐵電子顯微影像中 MA 島的輕量化分割模型，用於在變韌鐵顯微影像中分割麻田散鐵-沃斯田鐵（MA）島。MA 島在預測變韌鐵的抗衝擊性能中起著關鍵作用。傳統的 MA 島評估依賴專家主觀的意見，限制了評估結果的準確性和一致性。因此本研究透過訓練 MA 島分割模型時時融入不同專家的意見，來實現更客觀和穩定的分割結果。而在實際應用中，處理大量高分辨率電子顯微鏡圖像需要的大量計算資源。因此，本研究將如何輕量化模型作為一個重要的研究方向。本系統利用骨幹網路 (backbone network) 從變韌鐵顯微影像中提取相關特徵，接著使用頭部網路 (head network) 進行 MA 島分割。本研究探索兩種不同的骨幹網路，HRNet 和 Lite-HRNet，並進行輕量化的改良以減少模型的複雜性和提高效率。另外對於兩種骨幹網路本研究皆使用 OCRNet 作為頭部網路。對於 HRNet 的輕量化，通過替換 HRNet 的基本構建塊-ResNet 塊為 ConvNeXt 塊，並刪除某些逐點 (pointwise) 卷積層來輕量化 HRNet，最後使用 ECA 模組增強 HRNet 的性能。在 Lite-HRNet 中，通過用 ECA 模組替換 SW 和 CRW 模組，來降低 Lite-HRNet 的參數量以及計算複雜度。實驗結果顯示改良後的 HRNet 與 OCRNet 的組合相較於原始的 HRNet，參數數量和 FLOPs 分別減少 64% 和 27%，同時 MA 島 IoU 達到 78.14%。改良後的 Lite-HRNet 與 OCRNet 的組合相較於原始的 Lite-HRNet，參數數量和 FLOPs 分別減少 4.6% 和 11.66%，同時保持 MA 島 IoU 為 78.09%。由實驗結果發現，本研究所提出的改良方案，在輕量化的同時仍能保持變韌鐵電子顯微影像中 MA 島的分割準確性。