En raison des variations inter-évaluateurs et intra-évaluateurs dans la notation manuelle de la consigne "trois étapes" de l'échelle Simplifiée d'Évaluation de l'État Mental (CMMSE), et du temps nécessaire au processus, une méthode de détection d'objets basée sur MLC-YOLO est proposée afin de réaliser une détection automatique et précise de ce geste. Premièrement, une détection d'objets multi-niveaux des parties clés du corps et du papier est réalisée, utilisant une sélection de la plus haute confiance similaire pour simplifier le post-traitement et garantir l'unicité des objets similaires ; deuxièmement, un module d'adaptation spatiale et de découplage des canaux est conçu pour un sous-échantillonnage efficace ; ensuite, des convolutions fantômes et une transformation par ondelettes sont introduites dans C3 pour améliorer l'efficacité et les capacités d'extraction des caractéristiques multi-échelles ; enfin, pour la couche de détection des petits objets, une attention conjointe spatiale et canale est introduite pour améliorer la précision et le rappel dans des scénarios complexes. Les résultats expérimentaux montrent que le mAP95 de cette méthode atteint 61,8%, soit une amélioration de 5,6% par rapport au modèle original, avec une réduction de 51,52% des paramètres, prouvant l'efficacité de la méthode, proposant une nouvelle idée pour la détection d'objets uniques et la classification multi-niveaux, et fournissant une méthode efficace de notation automatique de la consigne "trois étapes" dans le MMSE.

apprentissage profond;détection d'objets;classification multi-niveaux;réseau léger