电影档案中亮度闪烁的修正

针对图像序列中存在亮度闪烁问题,提出一种基于运动补偿的闪烁修正方法,采用三步搜索算法对图像序列进行运动估计,准确地检测出运动区域。运用阈值法对闪烁进行判断,避免非亮度闪烁的误检测。实验结果表明,在准确地修正亮度闪烁的同时,保留原有影片所具有的亮度变化特征。与以往亮度闪烁修正方法相比,在保证影片正常视觉效果的同时缩短了修正时间。     

面向3D CT影像处理的无监督推荐标注算法

在3D CT影像分析上应用深度学习技术时,通常需要采用交互标注工具标注一组训练数据.针对3D CT影像一般包含数量较多的切片,医学影像交互标注工作量非常巨大且标注成本非常高的问题,提出一种面向3DCT影像数据交互标注的无监督推荐标注算法,通过构造稠密深度自动编码器DCDAE (densely-connected deep auto encoder)提取3D影像的高层特征,同时采用密度-谱聚类来筛选最具标注价值的影像,从而极大减少需要标注的数据量.算法提出了全自动的推荐标注流程,在提取图像特征时采用稠密连接结构改进DCDAE,减少了参数量并使得提取的特征更有区分度,同时对特征采用密度-谱聚类算法进行孤立点鉴别,并依据相关性矩阵自适应调整聚类个数;在肺结节语义分割任务上采用LIDC-IDRI数据集对算法进行了实验.     

基于多尺度特征提取的多导联心跳信号分类

心电图(ECG)是临床上诊断心脏疾病的重要依据,从中提取关键、有效的特征是自动诊断系统 的关键。而现今多数研究仅使用单导联或双导联数据,提取的特征不够全面,无法很好地区分不同心跳中的细 微差别。为了获得更加全面的特征和更优异的分类表现,本文提出了基于多尺度特征提取的多导联心跳信号分 类方法(MSNet)。首先,该方法接收多导联心跳信号堆叠矩阵作为输入;然后,利用 3 种不同尺度的一维卷积 分别提取特征;最后将不同尺度的特征融合并进行所属类别的分类。本文在 MIT-BIH Arrhythmia Database, MIT-BIHSupraventricular Arrhythmia Database和St Petersburg INCART 12-lead Arrhythmia Database 3个心电公开 数据集上进行了充分的实验,在五折交叉验证的策略下,对于“正常-异常”分类,该方法的准确率、召回率、 精确率、F1 值均达到了 99%以上;对于多类别分类,其平均准确率、平均召回率、平均精确率、平均 F1 值能 达到 99.5%左右。与现今优异的其他方法相比,该方法有着更好的表现。     

以全面、高效和可持续性为导向的Java EE课堂教学

针对目前Java EE课堂教学存在的问题,基于3年的教学实践,提出以全面、高效和可持续性为导向的Java EE课堂教学,从授课安排、开发工具、教学方法等方面介绍具体教学实践,最后通过课程考核数据说明教学效果.     

基于三维卷积神经网络的肺结节假阳性筛查

从 CT 影像中检测肺结节在肺癌的早期诊断中至关重要,而肺结节假阳性的筛查 是提高肺结节检测准确度的重要一步。为了从大量候选结节中快速准确地区分出真正的肺结节, 设计了一个 3D 卷积神经网络(CNN)筛查肺结节假阳性。提出了网络模型,通过恒等映射和残差 单元来加速模型训练,采用单连接路径重复利用特征并重组新特征。基于该模型的肺结节假阳 性筛查方法,与基于 2D CNN 的方法相比,不仅可以省略数据切片步骤,而且能够充分利用 CT 影像的空间信息; 与其他基于 3D CNN 的方法相比,具有参数量小、模型训练快的优点。该方 法在 LUNA16 数据集中的假阳性筛查中取得了较高的敏感度。     

结合多通道注意力的糖尿病性视网膜病变分级

目的 糖尿病性视网膜病变（diabetic retinopathy, DR）是一种常见的致盲性视网膜疾病,需要患者在早期就能够被诊断并接受治疗,否则将会造成永久性的视力丧失。能否检测到视网膜图像中的微小病变如微血管瘤,是糖尿病性视网膜病变分级的关键。然而这些病变过于细小导致使用一般方法难以正确地辨别。为了解决这一问题,本文提出了一种基于多通道注意力选择机制的细粒度分级方法（fine-grained grading method based on multi-channel attention selection, FGMAS）用于糖尿病性视网膜病变的分级。方法 该方法结合了细粒度分类方法和多通道注意力选择机制,通过获取局部特征提升分级的准确度。此外考虑到每一层通道特征信息量与分类置信度的关系,本文引入了排序损失以优化每一层通道的信息量,用于获取更加具有信息量的局部区域。结果 使用两个公开的视网膜数据集（Kaggle和Messidor）来评估提出的细粒度分级方法和多通道注意力选择机制的有效性。实验结果表明：FGMAS在Kaggle数据集上进行的五级分类任务中相较于现有方法,在平均准确度（average of classification accuracy,ACA）上取得了3.4%10.4%的提升。尤其是对于病变点最小的1级病变,准确率提升了11%18.9%。此外,本文使用FGMAS在Messidor数据集上进行二分类任务。在推荐转诊/不推荐转诊分类上FGMAS得到的准确度（accuracy,Acc）为0.912,比现有方法提升了0.1%1.9%,同时AUC （area under the curve）为0.962,比现有方法提升了0.5%9.9%;在正常/不正常分类上FGMAS得到的准确度为0.909,比现有方法提升了2.9%8.8%,AUC为 0.950,比现有方法提升了0.4%8.9%。实验结果表明,本文方法在五分类和二分类上均优于现有方法。结论 本文所提细粒度分级模型,综合了细粒度提取局部区域的思路以及多通道注意力选择机制,可以获得较为准确的分级结果。     

基于四叉树和边界不变矩的图像检索

为使四叉树算法在图像检索领域中得到有效应用,分析基于内容的图像检索对目标物体形状的需求,提出一种基于四叉树和边界不变矩的图像检索方法,构建图像检索系统,并选取5种不同类型的图像进行分组实验。仿真实验结果表明,该方法简单有效、复杂度低,能够提高图像的检索效率。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

面向细粒度草图检索的对抗训练三元组网络

将草图作为检索示例用于图像检索称之为基于草图的图像检索.在这其中,细粒度检索问题或类内检索问题是2014年被研究者提出并快速成为广受关注的研究方向.目前研究者通常用三元组网络来解决类内检索问题,且取得了不错的效果.但是三元组网络的训练非常困难,很多情况下很难收敛甚至不收敛,且存在着容易过拟合的风险.本文借鉴循环生成对抗训练的思想,设计了SketchCycleGAN帮助提高三元组网络训练过程的效率,以对抗训练的方式使其参与到三元组网络的训练过程中,通过充分挖掘数据集自身信息的方式取代了利用其他数据集进行预训练的过程,在简化训练步骤的基础上取得了更好的检索性能.通过在常用的细粒度草图检索数据集上的一系列对比实验,证明了所提方法的有效性和优越性.     

面向深度卷积网络的多目标神经演化算法

传统的深度卷积神经网络设计方法依赖于人工设计以及反复试错,只能采用形式单一的网络结构,导致其参数过分冗余,乘法次数巨大.为了自动化地设计出结构灵活多变,网络规模及计算量较小的深度卷积神经网络,本文提出了一种面向深度卷积网络的多目标神经演化算法.该算法将深度神经网络表达成有向图,使用神经演化和多目标优化算法实现了深度、计算量和识别率下的多目标同时优化,同时还引入了线性规划用于将基因编码翻译为卷积层的配置参数,使得演化算法可以自动调整各个网络层的具体配置.演化得到的模型其最深路径上含有36个卷积层,CIFAR-100上Top5精度为86.1%,Top1精度为60.2%,与识别率相近的网络相比,具有结构新颖,乘法次数低等特点.综上,本文提出的方法能够自动生成一系列各具特色的深度神经网络,可根据在深度、计算量和识别率3个指标上的不同应用需求选择适合的深度神经网络,为深度神经网络部署于资源受限的无线传感器网络上提供了一种快速、经济、自动化的设计方法.