- 博客(4)
- 收藏
- 关注
RSS订阅转载 目标识别项目实战：基于Yolov7-LPRNet的动态车牌目标识别算法模型(三)
前言目标识别如今以及迭代了这么多年，普遍受大家认可和欢迎的目标识别框架就是YOLO了。按照官方描述，YOLOv8 是一个 SOTA 模型，它建立在以前 YOLO 版本的成功基础上，并引入了新的功能和改进，以进一步提升性能和灵活性。从基本的YOLOv1版本到如今v8版本，完成了多次蜕变，现在已经相当成熟并且十分的亲民。我见过很多初学目标识别的同学基本上只花一周时间就可以参照案例实现一个目标检测的项目，这全靠YOLO强大的解耦性和部署简易性。初学者甚至只需要修改部分超参数接口，调整数据集就可以实现目标检测了。
2023-10-16 16:44:31
51
2糖尿病领域命名实体识别模型
随着信息技术的发展，电子文档在糖尿病领域的信息记录中得到了大量应用。通过自动化技术对这些电子文档进行分析具有重大的意义。由于现有的命名实体识别方法在糖尿病领域中识别准确率较低。为改善这种现状，提出了双层的双向长短时记忆神经网络条件随机场模型(Bi-LSTM-CRF)，并将其应用到糖尿病领域命名实体识别任务中。实验结果表明该模型在 15 种类别的验证数据集上平均准确率达到了 89.14%，且在外部测试集上平均
F1 值为 72.89%,充分揭示了 Bi-LSTM-CRF 模型的有效性。在糖尿病领域命名实体识别任务中，鉴于目前比较缺乏成熟的自动化技术来支撑实体识别任务。因此提出了基于双层 Bi-LSTM-CRF 模型来识别糖尿病领域的命名实体，该模型在实验数据集上取得了较好的效果，它的平均准确率达到了 89.14%，在外部测试集上的 F1值为 72.89%。提出的双层 Bi-LSTM-CRF 命名实体识别模型，在小规模的糖尿病领域实体识别数据集上已经取得了较好的识别准确率，但是模型在大规模数据集上未做相关实验，未来会进一步提升模型的性能，并将改进后的模型应用于大规模糖尿病领域命名实体任务。
2023-10-16
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人