SLENet：一种用于检测大鼠发情周期的新型多尺度 CNN 网络
图像与视频处理
2025-07-29 v1
摘要
在临床医学中，大鼠常被用作实验对象。然而，其发情周期会显著影响其生物学反应，导致实验结果产生差异。因此，准确判定发情周期对于减少干扰至关重要。人工识别大鼠发情周期面临诸多挑战，包括成本高、培训周期长以及主观性强。为解决这些问题，本文提出了一种分类网络——空间长距离 EfficientNet (SLENet)。该网络基于 EfficientNet 设计，通过引入新颖的空间高效通道注意力机制来修改移动倒置瓶颈卷积模块，以取代原有的压缩激励模块。此外，在最后一个卷积层后加入了非局部注意力机制，以增强网络捕捉长距离依赖关系的能力。所使用的数据集包含 2,655 张大鼠阴道上皮细胞显微图像，其中测试集包含 531 张图像。实验结果表明，SLENet 达到了 96.31% 的准确率，优于基线 EfficientNet 模型 (94.2%)。这一发现对于优化基于大鼠的研究（如生殖与药理学研究）中的实验设计具有实用价值，但本研究仅限于显微图像数据，未考虑时间模式等其他因素，因此在未来的应用中需引入多模态输入。
引用
@article{arxiv.2507.19566,
title = {SLENet: A Novel Multiscale CNN-Based Network for Detecting the Rats Estrous Cycle},
author = {Qinyang Wang and Hoileong Lee and Xiaodi Pu and Yuanming Lai and Yiming Ma},
journal= {arXiv preprint arXiv:2507.19566},
year = {2025}
}