深度学习的图像实例分割方法综述

实例分割是一项具有挑战性的任务,需要同时进行实例级和像素级的预测,在自动驾驶、视频分析、场景理解等方面应用广泛.近年来,基于深度学习的实例分割方法迅速发展,如两阶段检测器Faster R-CNN扩展出的聚焦于网络的精度而非速度的强大实例分割基准Mask R-CNN,一度成为实例分割的标杆.利用高速检测的单阶段检测器延伸出的实例分割算法YOLACT填补了实时实例分割模型的空白,具有较高的研究和应用价值.本文首先对实例分割算法进行了类别划分,然后对一些代表性的算法及其改进算法进行了深入分析,并阐述了相关算法的优缺点,最后对实例分割方法未来的发展进行了展望.     

一种基于图卷积网络的文本多标签学习方法

多标签学习广泛应用于文本分类、标签推荐、主题标注等.最近,基于深度学习技术的多标签学习受到广泛关注,针对如何在多标签学习中有效挖掘并利用高阶标签关系的问题,提出一种基于图卷积网络探究标签高阶关系的模型TMLLGCN.该模型采用GCN的映射函数从数据驱动的标签表示中生成对象分类器挖掘标签高阶关系.首先,采用深度学习方法提取文本特征,然后以数据驱动方式获得基础标签关联表示矩阵,为更好地建模高阶关系及提高模型效果,在基础标签关联表示矩阵上考虑未标记标签集对已知标签集的影响进行标签补全,并以此相关性矩阵指导GCN中标签节点之间的信息传播,最后将提取的文本特征应用到学习高阶标签关系的图卷积网络分类器进行端到端训练,综合标签关联和特征信息作为最终的预测结果.在实际多标签数据集上的实验结果表明,提出的模型能够有效建模标签高阶关系且提升了多标签学习的效果.     

高速网络流量管理系统研究

随着互联网用户的不断增加和用户需求的不断变化,互联网上的应用类型也在发生着日新月异的变化。各种类型的业务流量不断增长,网络的负担不断加重,网络管理的难度也随之增加。如何通过合适的流量管理技术,即网络应用协议的识别与带宽管理技术,来协调网络应用与安全、带宽增长与业务收益、网络扩容与用户体验之间的关系,是网络管理者与运营者亟待解决的重要挑战。文章的研究便着重于此,首先介绍了网络流量管理的基本概念与关键技术,随后对主流的开源流量管理系统和商用流量管理系统进行介绍。最后提出了一种协同式的分布流量管理系统,分布式的部署流量管理子系统通过分析控制中心协同检测与管理流量,可以有效的提高网络流量管理效率,提高未知网络协议的识别率,能够有效检测和防止DDos攻击。     

硬盘客体重用的安全等级保护覆写机制研究

随着信息泄露事件频繁发生,防客体重用在信息系统安全等级保护过程中显得越发重要,文章介绍了硬盘数据删除与恢复原理,详细分析了US DoD 5220.22-M和Gutmann等当前主流磁盘覆写标准,并设计出满足不同安全等级保护的磁盘覆写方式。     

面向对象的深立井凿井决策支持系统的设计

本文基于面向对象的设计思想,结合决策支持系统相关技术,通过构造面向对象的深立井施工钻眼爆破系统和凿井设备选型计算系统模型,采用面向对象技术的封装、继承和消息处理等特性,将传统的系统框架和选型规则、知识结合封装成为深立井凿井中新的对象知识库,突出规则知识表示的灵活性和框架知识表示的结构性,同时结合语义网络的特点,构建出深立井凿井决策支持系统。系统科学地实现了深立井凿井设备的选型、计算任务书和炮眼布置图的自动生成等功能,从而为深立井施工钻爆系统设计以及凿井设备选型提供新的服务载体。     

多元QoS约束下电力通信无线资源分配的边缘代理调度方法

为满足不同配电通信业务的服务质量要求,BS需要在时变网络条件下实时优化无线资源。提出一种基于级联深度网络的接入网无线资源边缘代理调度方法,将时频资源和发射功率分配给延迟耐受度不同的业务。核心网采用网元功能与专用硬件设备解耦的软切片方法,在保证负荷在规定时长内可靠切除的同时,提高了核心网服务器对不同业务的时空间复用能力。仿真结果表明,多业务并列运行时RTU与协控子站间的接入时延与TD-LTE专网相比降低40.76%,相邻第一第二信道间的功率泄露比均高于45 dB,满足毫秒级负荷切除业务分路整组动作时延和通信可靠性的要求。     

不平衡样本下基于变分自编码器预处理深度学习和DGA的变压器故障诊断方法

为提高变压器故障诊断效果,并改善训练样本数量不平衡对故障诊断的不利影响,提出了一种基于变分自编码预处理深度学习和油中溶解气体分析(dissolved gas-in-oil analysis,DGA)的变压器故障诊断方法。该方法以各样本DGA特征量为诊断模型输入,以各故障状态概率分布为诊断模型输出。首先通过变分自编码器对少数类训练样本进行预处理,在学习确定少数类训练样本分布特征的基础上实现训练样本自动生成,进而提高训练样本的均衡性。基于3隐层结构堆栈稀疏自编码器深度学习网络构建变压器故障诊断模型,并以经变分自编码器预处理后的均衡训练样本对诊断模型参数进行更新优化。基于实例验证了所提方法的有效性。实验结果表明,所提方法可改善训练样本不平衡的不利影响,各训练集下,采用所提方法的变压器故障诊断结果准确率均保持在91%以上,且漏报率较低。     

基于深度学习与不平衡样本集的输电线路故障分类

针对输电线路各类型故障样本间的数量不平衡会造成人工智能算法对故障中的少数类样本识别精度不足的问题,提出了一种基于Borderline-SMOTE（BSMOTE）算法与卷积神经网络（CNN）相结合的输电线路故障分类方法。该方法首先利用BSMOTE算法对位于分类边界上的少数类样本进行过采样合成处理,改善样本间的不平衡度,然后将所提取的一维故障电流信号样本重构成二维灰度图像数据形式,并在Pytorch深度学习框架下搭建了CNN网络模型,利用模型的自主学习能力对灰度图像进行特征自提取与辨识,减少传统人工设计特征提取的工序,完成对输电线路故障类型的分类。实验结果表明该模型能够提高对少数类故障样本的识别能力,准确地判断故障类型,并对噪音具有较强的抗干扰能力。     

基于改进深度强化学习的智能微电网群控制优化方法

针对微电网群控制的经济效益、负荷波动以及碳排放问题,提出一种基于改进深度强化学习的智能微电网群运行优化方法。首先,计及分布式电源、电动汽车及负荷特性,提出微电网的系统模型。然后,针对微电网群的运行特点,提出4个系统优化目标和5个约束条件,并且引入分时电价机制调控负荷运行。最后,利用改进深度强化学习算法对微电网群进行优化,合理调控多种能源协同出力,调整负荷状态,实现电网经济运行。仿真结果表明了所提方法的有效性,与其他方法相比,其收益较高且碳排放量较小,可实现系统的经济环保运行。     

Incorporating Machine Learning into Established Bioinformatics Frameworks

The exponential growth of biomedical data in recent years has urged the application of numerous machine learning techniques to address emerging problems in biology and clinical research. By enabling the automatic feature extraction, selection, and generation of predictive models, these methods can be used to efficiently study complex biological systems. Machine learning techniques are frequently integrated with bioinformatic methods, as well as curated databases and biological networks, to enhance training and validation, identify the best interpretable features, and enable feature and model investigation. Here, we review recently developed methods that incorporate machine learning within the same framework with techniques from molecular evolution, protein structure analysis, systems biology, and disease genomics. We outline the challenges posed for machine learning, and, in particular, deep learning in biomedicine, and suggest unique opportunities for machine learning techniques integrated with established bioinformatics approaches to overcome some of these challenges.