基于矢量表示组合的字典学习性能分析

在字典学习算法中,使用图像的多矢量表示相比单一矢量表示,可以获得分类精度更高且更具有鲁棒性的分类模型.本文中我们采用多种矢量表示的组合以及合理的加权对数和方案,来提升字典算法的性能.通过在公共人脸数据集上进行实验,验证了我们的方法应用于字典学习具有更高的准确度和鲁棒性.充分挖掘和利用表示多样性可以获得被观察对象的各种潜在外观以及图像高分类精度.     

基于乳腺X线摄影的肿块检测综述

早期筛查和及时治疗是控制乳腺癌死亡率最为有效的方法.乳腺X线摄影检查作为医学界公认的最有效的早期乳腺癌筛检工具, 可以很好地反映出乳腺存在的异常情况.在临床应用中, 乳腺癌的X线摄影直接征象为钙化和肿块, 对乳腺X线摄影中钙化点的检测技术已经相当的成熟, 但对肿块区域的检测和分类依旧是一项具有挑战性的任务. 因此, 本文对近几年提出的基于全乳腺X线摄影的肿块检测方法进行简要综述, 分别从基于传统的乳腺肿块检测与分割方法和基于深度学习的乳腺肿块检测方法进行介绍, 并讨论了乳腺X线摄影中肿块检测未来研究的发展趋势.     

基于深度学习的乳腺X射线影像分类方法研究

X射线乳腺影像与自然图像相比,色彩较为单调,且乳腺肿块边缘模糊,良性肿块与恶性肿块纹理相似,区分度较小。基于卷积深度学习网络提出一种适用于X射线乳腺肿块影像分类的方法,主要贡献如下：（1）提出一种提取乳腺影像多个卷积粒度的特征图的方案,分别使用不同尺寸的卷积核来提取不同粒度的卷积特征图,获得更为丰富的乳腺影像特征;（2）将判别方法嵌入到优化模型中,即设计新的目标函数,对分类误差进行差异化放大,从而加大分类错误的惩罚力度,指导模型向着分类错误最小的方向演进。在公开的乳腺X射线影像数据集上进行训练,通过交叉验证,AUC达到0.712?9,优于最好的乳腺影像分类方法,具有较强的鲁棒性。     

复杂场景下基于CNN的轻量火焰检测方法

已有的火灾检测方法往往依赖高性能的机器,在嵌入式端和移动端检测速度较慢、误检率较高,尤其是无法解决小尺度火焰漏检问题.针对上述问题,文中提出基于YOLO的火焰检测方法.使用深度可分离卷积改进火焰检测模型的网络结构,并使用多种数据增强技术与基于边框的损失函数以提高精度.通过参数调优,在保证检测准确率的情况下,实现在嵌入式移动系统上21 ms的实时火灾探测.实验表明,文中方法在火焰数据集上的精度和速度都有所提高.