改进DRLSE的分步式肝脏及肿瘤分割方法

为了提升CT图像肝脏及肝脏肿瘤的分割精度,提出一种改进DRLSE的分步式肝脏及肿瘤分割方法。第一阶段：采用分步式分割方法对肝脏进行分割,（1）采用阈值处理、形态学方法、自适应区域生长方法进行肝脏的粗分割;（2）采用数学形态对分割结果进行优化,进行肝脏的细分割。第二阶段：构造参数梯度形态学和各向异性扩散滤波的距离正则化水平集演化（改进的DRLSE）模型进行肝脏肿瘤分割。实验利用3Dircadb数据集验证方法的有效性,计算了DICE、VOE、ASD和MSD指标评估分割的性能。实验结果表明该方法无需进行训练过程和统计模型的建立,对于复杂的形状和强度变化的CT图像分割效果尤为明显。由定量分析的数值结果显示,分割性能均优于比较算法,提高了分割准确率,具有较强的鲁棒性,为医生诊断和治疗肝癌提供帮助。     

基于深度迁移学习的肺结节分割方法

针对U-Net分割小体积肺结节效果较差的问题,提出一种基于深度迁移学习的分割方法,利用分块式叠加微调（BSFT）策略辅助分割肺结节。首先,利用卷积神经网络学习自然图像大数据集的特征信息;然后,将所学特征迁移到进行肺结节图像小数据集分割的网络,从该网络最后一个下采样层开始逐块释放、微调训练,直到网络完成最后一层的叠加;最后,定量分析Dice相似性系数,以确定最佳分割网络。实验结果表明,BSFT在LUNA16肺结节公开数据集上的Dice值达到0.917 9,该策略的性能明显优于主流肺结节分割算法。     

自然语言处理预训练技术综述

在目前已发表的自然语言处理预训练技术综述中,大多数文章仅介绍神经网络预训练技术或者极简单介绍传统预训练技术,存在人为割裂自然语言预训练发展历程.为此,以自然语言预训练发展历程为主线,从以下四方面展开工作:首先,依据预训练技术更新路线,介绍了传统自然语言预训练技术与神经网络预训练技术,并对相关技术特点进行分析、比较,从中归纳出自然语言处理技术的发展脉络与趋势;其次,主要从两方面介绍了基于B E RT改进的自然语言处理模型,并对这些模型从预训练机制、优缺点、性能等方面进行总结;再者,对自然语言处理的主要应用领域发展进行了介绍,并阐述了自然语言处理目前面临的挑战与相应解决办法;最后,总结工作,预测了自然语言处理的未来发展方向.旨在帮助科研工作者更全面地了解自然语言预训练技术发展历程,继而为新模型、新预训练方法的提出提供一定思路.     

贝塞尔-傅里叶矩在图像检索中的应用研究

为验证贝塞尔-傅里叶矩在图像检索中的检索性能及图像识别能力,在ICU和ALOI图像库中,提取贝塞尔-傅里叶矩特征,进行检索和分类实验。实验结果表明：贝塞尔-傅里叶矩对纹理图像不仅具有较高的检索率,而且RPP曲线能够达到理想状态;对彩色图像形状检索具有较高的查准率和查全率,对图像存在的光照变化和几何变化尺度旋转具有较强的鲁棒性。相同阶数的贝塞尔-傅里叶矩特征,在KNN分类实验中可以获得更高的分类准确率。     

遗传算法中参数变化对曲线拟合结果的影响

为得出遗传算法各参数变化对曲线拟合的影响,给出遗传算法在不同初始种群、交叉概率和变异概率的拟合实验,并对结果进行比较和分析。实验证明,当变异概率同为0．05时,种群数目变大,交叉选择变小,拟合效果较好。在用遗传算法拟合曲线时,衡量参数设置恰当与否,要依据多次运行的收敛情况和解的质量来判断。     

基于ConA-FPN的肝脏肿瘤检测算法

深度学习方法在病灶检测任务中被广泛应用,但因肝脏肿瘤较小和样本较少的问题,导致无法达到辅助诊断的准确率要求。针对以上问题,提出基于ConA-FPN的肝脏肿瘤检测算法,具体过程为：使用融合ResNet和注意力机制的特征金字塔替换Faster R-CNN中的特征提取网络;使用融合特征解决特征金字塔中的高层模块通道信息损失问题,通过添加CAG注意力机制解决了特征融合带来的特征混叠问题,增强模型对小肿瘤的检测能力;使用迁移学习和数据增强提升模型在小数据集上的检测能力和泛化能力。实验结果表明,ConA-FPN在LITS2017和3D-IRCADB上的平均精度达到87.43%,明显优于主流检测模型。     

基于特征直方图的蛋白质结构分类和检索方法

针对蛋白质结构的自动分类需求,提出一种基于BOVF方法的蛋白质结构分类与检索新算法。该算法利用SURF提取蛋白质结构各视角图像的局部特征,利用K-means对所有特征进行聚类分析生成视觉词典,统计视角图像的特征在视觉词典中出现的频率并生成特征直方图,以此直方图作为蛋白质结构的特征,使用KLD计算2个结构之间的相似度。3个实验分别被用来检验本文算法的分类和检索性能。实验结果证明本文算法具有比较算法无法达到的分类效果和检索性能。     

唇语识别的视觉特征提取方法综述

现有唇语识别研究多专注于提高识别精度、研究多模态输入特征等方面,对提高唇部视觉特征的有效性关注不多.而唇部的视觉信息在视觉语音识别和唇语识别中起着关键作用,尤其在音频被破坏或无音频信息时,唇部视觉信息尤为重要.如何获取准确有效的唇部视觉特征是当前唇语识别的难点工作之一.从唇语数据集、传统视觉特征提取方法、视觉特征提取的深度学习方法三方面综述了唇语识别方向近年来的最新研究工作:首先,总结了唇语识别数据集,将唇语数据集分为正视图和多视图两种类型,并总结整理两类数据集的特点、局限性和下载地址;其次,从像素点、形状和混合特征的角度介绍了唇部视觉特征提取的传统方法,重点介绍各方法的基本思想、网络结构和特点;然后,介绍了唇部视觉特征提取的深度学习方法,重点介绍2D CNN、3D CNN、2D CNN与3D CNN相结合、其他神经网络四种深度学习方法的网络结构和优缺点,并比较了这些方法在公开数据集上的性能表现;最后,对唇部视觉特征提取方法所面临的挑战和未来研究趋势进行了展望.     

生理点配准的颅面局部形态关系建模

为提高对颅骨与面皮之间形态关系建模的准确度,提出一种生理点配准的颅面局部形态关系建模方法。以特征点对应关系为约束条件,基于TPS变形实现颅面初配准;根据欧氏距离与局部几何特征的加权距离确定顶点的最优生理对应关系,建立分类颅面模型库;将颅面形态关系建模问题分解为对每一面皮生理点各坐标分量建模的子问题集,运用单因变量多自变量PLSR,以面皮生理点的各坐标分量为因变量,选取显著相关的颅骨生理点相应坐标分量为自变量,建立由各面皮生理点坐标计算模型构成的局部形态关系模型。实验结果表明该方法可更准确有效地描述颅面形态变化关系。     

轻量化神经网络卷积设计研究进展

传统神经网络具有过度依赖硬件资源和对应用设备性能要求较高的缺点,因此无法部署于算力有限的边缘设备和移动终端上,人工智能技术的应用发展在一定程度上受到了限制.然而,随着科技时代的到来,受用户需求影响的人工智能迫切需要在便携式设备上能成功进行如计算机视觉应用等方面的操作.为此,以近几年流行的轻量化神经网络中的卷积部分为研究...