A Novel Visual Positioning Algorithm for Massage Acupoints Based on Image Registration
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The conventional method to locate acupuncture points (acupoints) on human body requires the massagists to have rich experience and skillful performance, and the learning cost is always high.The visual positioning technology of massage acupoints based on image registration can lower the technical difficulty, thereby allowing more people to enjoy and benefit from massage therapy.However, existing algorithms for this technology generally have a series of shortcomings including the unstable matching results, the inaccurate image registration effect, and the unsatisfactory results in case of obvious local deformation or occlusion.In view of these matters, this paper studied a novel visual positioning algorithm for acupoints based on image registration.At first, an Image Acupoints Positioning algorithm was proposed based on Convolution Neural Network (CNN-based IAP algorithm), the algorithm can combine the prior information of acupoint positions in visual images with 3D CNN, which has a stronger feature expression ability, and maintain high positioning accuracy under unfavorable conditions such as image noise, illumination change, or occlusion.Then, based on the structure of Fully Convolutional Network (FCN), a multi-scale parallel FCN was constructed, which has introduced the techniques of multiscale parallel downsampling, spatial pyramid of dilated convolutions, adaptive channel attention mechanism, direction perception, and upsampling, intending to improve the model's performance in non-rigid registration of the visual images of massage acupoints.At last, the validity of the proposed model was verified by experimental results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle