融合纹理信息的SLIC算法在医学图像中的研究

随着超像素算法的发展，SLIC（Simple linear iterative clustering）由于时间复杂度低及良好的分割结果而被广泛关注.但是由于传统的SLIC算法并没有考虑到图像的纹理信息，故而对于纹理较复杂的图像分割效果略有不足.LBP（Local binary pattern）对于纹理的识别有着优秀的表现而且时间复杂度低，但是对于噪声的鲁棒性较差，并且会产生纹理偏移.因此，本文首先针对传统的LBP中存在的问题进行改进；然后将改进后的算法与SLIC结合，提出一种融合纹理信息的超像素算法——SLICT（Simple linear iterative clustering based on texture）.为验证分割效果，本文选取纹理较多的医学图像进行实验，采用心脏MRI数据库进行验证并与其他超像素算法进行对比.实验表明，SLICT在边缘召回率、欠分割错误率以及覆盖率上的综合表现优于其他算法.从分割结果上来看，SLICT不但能够更好地贴合图像边缘，而且对于连续区域的分割效果也较好，更适合纹理较复杂的图像.     

面向云计算的集群文件系统性能对比测试

虚拟机使用集群文件系统是云计算主要架构模式之一,主要分为共享式集群文件系统和分布式集群文件系统两大类.其中,后者是近年来学术界关注的热点,在产业界也逐渐得到深入应用.采用测试法,选取fio作为测试工具,以IOPS作为度量指标,对比两类集群文件系统的性能优劣.实验结果显示,在单物理机节点配置下进行单台虚拟机IOPS写性能测试,共享式文件系统要好于分布式集群文件系统大约40%,但读性能要差1.5倍;对于多台虚拟机并发测试,则当支持虚拟机运行的共享式/分布式集群文件系统规模小于16台时,前者和后者性能基本一致.否则,后者会明显好于前者.     

融合TuckER嵌入和强化学习的知识推理

知识推理是补全知识图谱的重要方法, 旨在根据图谱中已有的知识, 推断出未知的事实或关系. 针对多数推理方法仍存在没有充分考虑实体对之间的路径信息, 且推理效率偏低、可解释性差的问题, 提出了将TuckER嵌入和强化学习相结合的知识推理方法TuckRL (TuckER embedding with reinforcement learning). 首先, 通过TuckER嵌入将实体和关系映射到低维向量空间, 在知识图谱环境中采用策略引导的强化学习算法对路径推理过程进行建模, 然后在路径游走进行动作选择时引入动作修剪机制减少无效动作的干扰, 并将LSTM作为记忆组件保存智能体历史动作轨迹, 促使智能体更准确地选择有效动作, 通过与知识图谱的交互完成知识推理. 在3个主流大规模数据集上进行了实验, 结果表明TuckRL优于现有的大多数推理方法, 说明将嵌入和强化学习相结合的方法用于知识推理的有效性.