HIFU远程医疗中图像控制子系统的设计与实现

图像控制子系统是HIFU远程系统运作的核心，本文对该系统进行了描述，对其中的关键技术进行了讨论，并给出了设计方案和实验数据。     

类别约束下自适应主题建模的图像场景分类

提出一种基于类别约束的主题模型用于实现场景分类.不同于现有方法,本文将图像场景类别信息引入模型参数推导过程中,采用与其类别相关的类主题集描述图像的语义内容.针对各场景类图像中潜在主题数量变化,提出了一种ATS-LDA(自适应主题数的潜在狄里克雷分布)模型实现中层语义的建模算法.该模型依据各场景类训练样本关于视觉词语表示的变化估计所需主题数,体现了各类场景中间语义的繁简变化.根据各类模型下的图像概率分布,采用最大似然估计实现测试样本的场景语义分类.改变了现有主题模型需要依赖于其它分类器完成场景分类的现状.通过多个图像数据集分类任务证明该模型能够在不需要太多训练的情况下取得较好地性能.     

HIFU远程医疗系统中B超图像的远程传送

分析了HIFU远程医疗系统中的图像传送问题，提出了一种B超图像梯形剪切的方法，采用客户端/服务器的网络模式，通过Winsock编程来灵活控制和判断当前数据发送和接收的状态，从而保证了图像远程传送的不间断。采用多线程、多缓存的方式，提高了系统资源利用率，进而加快图像传送速度，降低模块间的耦合度，满足了远程诊断图像传送速度和图像质量的需求。     

基于行为投影的Web服务组合行为兼容性研究

Web服务兼容性是确保组合系统能够正常运行的前提。首先提出既包含服务接口调用方法又包含逻辑行为的服务视图,根据服务间的连接关系,将服务行为投影到不同的连接件上。其次根据在连接件上的消息收发关系,将两个服务在该连接上的交互过程表示为两个LTS投影间同步变迁,通过同步积模拟在该连接上的交互行为,检查同步积中是否出现死锁状态来进行行为兼容性判定,并设计了判定算法以实现兼容性的自动分析,最后通过一个电子商务应用示例说明该方法有效性。     

一种基于类主题空间的图像场景分类方法

本文在扩展LDA（latent dirichlet allocation）的基础上提出了一种新的生成模型——基于类主题空间的潜在狄里克雷分布（CTS-LDA)用来实现自然图像场景分类。该方法不同于以往方法,它在训练时通过将图像场景类别信息引入模型推导过程中,产生各场景类的独立语义主题空间,使得每个场景类都有各自不同的主题空间,图像的最终语义表示采用与其类别相关的类主题集,是一种符合人类认知习惯的方法。以前所用的场景分类方法通常在得到图像主题表示后还需要依赖于其他分类器来完成场景分类,而CTS-LDA模型可以在分别计算图像在各类模型中的主题分布时,用最大似然法得出图像的类别信息。此外本文通过分析不同主题数对本模型性能的影响,得出了适用于本模型的最佳主题数。本文分别通过13,15等多类场景任务来检验模型的性能,实验证明该模型能够在不需要太多训练的情况下取得较好的性能。     

多尺度残差注意力网络及其表情识别算法

面部表情识别已经广泛运用于人机交互、教育、自动驾驶等各种领域,针对现有表情识别方法网络结构复杂、参数多、泛化能力不足、识别率低等问题,且人脸表情在自然环境下易受到光照、姿态和局部遮挡等环境因素的影响,提出了一种多尺度残差注意力网络.以ResNet-18网络为基础,提出了一种新的多尺度残差注意力模块,通过提取不同尺度特征,增加特征多样性.引入CBAM注意力机制获取表情图像重点特征信息,有利于提升遮挡表情的识别.构建特征残差融合块,将浅层特征与深层特征进行残差融合,有利于获取丰富的人脸表情图像整体特征.实验结果表明,本文方法在CK+、JAFFE和Oulu-CASIA 3个公开表情数据集上分别达到了99.49%、98.53%和97.08%的准确率,与一些现有方法相比,本文方法表情识别率更高,证明了该方法可用于人脸表情识别.     

基于LDA图像场景分类方法的增量学习研究

现有场景分类方法只能识别原训练学习的图像类,对于新增图像类的识别任务,需要将其与原训练类合并后重新训练模型.在LDA(Latent Dirichlet Allocation)的基础上提出一种改进方法来训练生成模型,用于实现自然图像场景分类.根据狄雷克里参数的伪计数作用,改进了LDA模型学习方法.以训练图像的通用主题先验参数作为各类场景主题分布预设先验参数,推导各类场景的类主题构成变化,同时改善了EM参数推导过程中的慢收敛问题,实现了模型增量学习,有效地提高了模型的泛化能力.通过模型计算复杂度比较和增量学习实验对本文方法进行了验证,实验证明本文方法能以较低的时间复杂度取得较高的分类平均正确率.     

结合多特征和跨连通道加权的面部表情识别

面部表情是人类表达情感的主要方式.本文提出一种将手工特征和深度学习特征相结合,以跨连通道加权模块为基础的面部表情识别方法.将灰度图、局部二值模式特征、Sobel特征作为三通道特征输入,以深度可分离卷积代替标准卷积;同时引入跨连通道加权模块,通过建模不同通道特征之间的关系,更加高效地进行不同层次特征的融合.本文方法在CK+和JAFFE两个常用表情数据集上进行了验证,取得了高达99.77%和99.48%的准确率,证明了本文方法的有效性与可行性.