基于深度学习的智能骨龄分类器

通用深度学习算法提取的医学手骨图像特征不能很好地区分相近年龄图像的差异, 这导致骨龄分类器的预测精度较低. 根据基于深度学习的轻量级神经网络MobileNet设计了一种改进的骨龄分类器RIL-MobileNetV3 Large, 通过改进LBP处理层得到了具有细致纹理特征的手骨数据集并引入注意力机制进行自动定位, 通过学习处理层处理后的手骨X光片中的深层区域特征完成识别和骨龄的分类, 在公共数据集上进行实验并对该分类器进行多次训练调优, 结果表明改进设计的分类器在骨龄预测中具有高达94.204%的准确率和0.350岁的均值误差, 而且改进的轻量级网络为可移动智能便携预测骨龄奠定基础.     

融合双重注意力网络的儿童骨龄评估方法

骨龄评估是一种检测儿童内分泌与生长发育异常的常用方法,但深度学习方法中低质量手部X射线图像降低最终评估精度。针对该问题,提出一种增加手部X射线图像感兴趣区域面积的对齐网络,该网络以Swin Transformer结构作为主干网络学习图像手部相似性并取得仿射系数,且在训练过程中无须进行大规模手部标注。在骨龄评估网络中,针对高效通道注意力和空间注意力机制改进,提出双池化高效通道注意力和非对称卷积空间注意力方法,将这两种方法以双重注意力形式与Xception网络相结合提出DA-Xception。在RSNA数据集上进行测试,该骨龄评估方法达到5.37个月的平均绝对误差,相较于其他深度学习方法可更充分提取特征,优化评估结果。     

基于改进深度学习模型IRCNN的卷烟真伪鉴别

针对常用的卷烟包装图像真伪鉴别,目前深度学习方法需要较高的设备成本与较长的训练时间。本文提出了一种基于Inception和ResNet卷积神经网络结合的卷烟包装图像真伪鉴别模型IRCNN(Inception-ResNet Convolutional Neural Network)。利用Inception网络并行结构自动学习并提取卷烟包装图像的不同尺度特征,同时在线路中加入三维卷积核,有效地增强不同线路之间的信息交互。利用残差结构减少由于网络加深导致的模型退化。实验结果表明,与其他深度学习方法相比较,本文提出的方法不仅减少算法设备成本和训练时间,而且准确率可达到99.88%。因此,通过采用多线路Inception和残差网络相结合的IRCNN模型,可以有效地提高卷烟真伪鉴别效率和精度,为将来实际应用提供技术支持。     

基于特征融合卷积神经网络的端到端加密流量分类

针对现有人工神经网络方法在网络加密流量分类应用中结构复杂且计算量大的问题,首次提出了一种基于特征融合的轻量级网络模型Inception-CNN,用于端到端加密流量的分类,在显著提高分类结果准确性的同时,大大降低了网络计算复杂度。利用Inception模块1×1卷积进行降维,减少了计算参数;从不同的感受野中做到不同级别上的特征提取,将多种不同尺寸滤波器卷积的特征进行融合,从而在原始数据中提取到更加丰富的特征自动学习原始输入和预期输出之间的非线性关系;利用池化操作没有参数的特性,防止产生过拟合。选择使用国际公开ISCX VPN-nonVPN数据集作为实验数据,采用softmax作为分类器,实现了对加密流量的准确分类。实验结果表明,该模型分类准确率达到97.3%、精确率达到97.2%、召回率达到97.7%、F1-score达到97.5%,并且对不同类别的加密流量识别效果也更加均衡。     

基于改进贝叶斯的书目自动分类算法

贝叶斯算法被广泛应用于书目自动分类领域。该算法常使用差分进化算法来评估概率项,但是传统的差分进化算法容易陷入局部最优解,使得贝叶斯分类精度较低。针对该问题,提出了基于改进贝叶斯的书目自动分类方法。该方法通过多父突变和交叉操作估计概率项的最优解,提高贝叶斯分类精度;在进行书目自动分类时,先采用ICTCLAS系统进行文本预处理,再提取文本的词频-逆向文件频率特征,接着采用改进的贝叶斯估计方法对特征进行训练与分类,最终实现书目的自动分类。仿真结果表明,该方法具有较高的分类准确率。     

基于改进Inception网络的语音分类模型

针对传统音频分类模型提取音频特征的过程繁琐，以及现有神经网络模型存在过拟合、分类精度不高、梯度消失等问题，提出一种基于改进Inception网络的语音分类模型。首先，在模型中加入ResNet中的残差跳连思想以改进传统的InceptionV2模型，使网络模型在加深的同时避免梯度消失；其次，优化Inception模块中的卷积核大小，并利用不同尺寸卷积对原始语音的Log-Mel谱图进行深度特征提取，使模型通过自主学习的方式选择合适的卷积处理数据；同时，在深度与宽度两个维度改进模型以提高分类精度；最后，利用训练好的网络模型对语音数据进行分类预测，并通过Softmax函数得到分类结果。在清华大学汉语语音数据集THCHS-30与环境声音数据集UrbanSound8K数据集上的实验结果表明，改进的Inception网络模型在上述两个数据集上分类准确率分别为92.76%与93.34%。相较于VGG16、InceptionV2、GoogLeNet等模型，所提模型的分类准确率取得了最优，最多提高了27.30个百分点。所提模型具有更强的特征融合能力和更准确的分类结果，能够解决过拟合、梯度消失等问题。     

基于细粒度特征提取的轻量骨龄评估级联方法

针对现有骨龄自动评估模型细节特征提取能力较弱且没有兼顾手骨发育特点的问题,提出了一种基于轻量级网络的两阶段骨龄评估级联模型。首先,定位提取手掌区域进行背景去噪。其次,提出了一种新型的轴向空间注意力与多尺度并行空洞卷积相结合,融入模型中,从而提升模型细节特征提取能力。同时,将每个骨龄标签转化为两点分布向量,充分利用个体手骨发育的信息。实验结果表明,模型预测结果的平均绝对误差为4.80且评估误差在±0.5、±1、±2岁以内的准确率分别为69.26%、95.60%、99.80%。本研究提出的模型不仅能快速准确的评估骨龄,且充分考虑了手骨发育过程中所包含的信息,同时,基于轻量化的架构为其后续推广应用提供了基础,具有良好的临床应用前景。     

基于X光图像的骨龄评估系统设计与实现

骨龄评价在预防医学、临床医学、体育科学和司法领域等中有着广泛的应用,基于图像处理技术的骨龄识别系统是目前骨龄评价的发展趋势。提出一个基于手部x光图像骨龄自动评价算法,并设计和实现一个骨龄评价系统。骨龄算法依据我国常用的骨龄评价方法CHN法,提取手部X光图像的骨骺特征作为骨龄特征参数,运用sVM方法进行骨龄识别。系统具有全自动评估、可视化的特点,同时允许用户在评估过程中对骨骺特征点位置进行可视化交互调整。试验表明,骨龄识别率已经满足实际应用的要求。该系统已成功应用于体育运动选才。     

网络安全风险动态评估过程优化仿真

研究网络安全风险动态评估方法,提高评估的准确性.当前网络安全风险评估没有考虑不同入侵特征造成的网络指标变化,以入侵前后相同静态固定指标变化评估为主,缺少不同时段内动态可持续评估的方法.为解决上述问题,提出基于特征映射关联算法的网络安全风险动态评估方法.对网络中的操作特征进行加权优化处理,提取网络操作异常特征,计算异常特征提取误差,针对异常特征提取误差进行补偿.根据网络异常特征获取特征分类函数,并计算特征分类的约束条件,建立特征属性映射模型,获取特征映射关联性,实现网络异常特征的分类,完成网络安全风险动态评估.实验结果表明,利用改进算法进行网络安全风险动态评估,能够极大的提高评估的准确性,满足网络安全的实际需求.     

改进LeNet-5网络在图像分类中的应用

LeNet-5卷积神经网络（CNN）虽然在手写数字识别上取得很好的分类效果,但在具有复杂纹理特征的数据集上分类精度不高。为提高网络在复杂纹理特征图像上分类的正确率,提出一种改进的LeNet-5网络结构。引入跨连思想,充分利用网络提取的低层次特征;把Inception V1模块嵌入LeNet-5卷积神经网络,提取图像的多尺度特征;输出层使用softmax函数对图像进行分类。在Cifar-10和Fashion MNIST数据集上进行的实验结果表明,改进的卷积神经网络在复杂纹理特征数据集上具有很好的分类能力。     

基于深度学习的青少年手腕骨骨龄评价

利用人工智能中的深度学习方法自动检测并评价西南地区青少年左手腕关节X线片的骨龄。在四川大学华西第二医院共收集2426例1-18岁青少年左手腕X线片,利用YOLOv3框架和少部分数据进行标定、训练以检测X线片上传统骨龄评价方法需要的区域,将关键区域截图并调整姿态组成新的图片。再利用caffe框架将扩展后的数据集分成训练集、验证集、测试集,以骨龄为标签对不同性别数据分别进行训练以获得男性和女性骨龄预测的模型,并计算误差在±1岁以内的准确率。选择caffe框架训练出来的最好模型,测试出测试集中±1岁的准确率为男性81.06%,女性85.08%。利用深度学习中简单的神经网络训练少量数据即可得到不错的骨龄评价准确率,表明了深度学习方法在西南地区青少年骨龄评价的可行性以及在数据增加和网络优化之后准确率存在的极大提升空间。     

Whale Optimization Algorithm and Adaptive Neuro-Fuzzy Inference System: a hybrid method for feature selection and land pattern classification

Adaptive Neuro-Fuzzy Inference System (ANFIS) is a robust method in solving non-linear classification by employing a human-readable interpretation manner. This paper verified a hybrid model, named WANFIS, where Whale Optimization Algorithm (WOA) was used for feature selection and tuning parameters of the ANFIS for land-cover classification. Hanoi, the capital of Vietnam, was selected as a case study, because of its complex surface morphology. The model was trained and validated with different data sets, which were subsets of the segmented objects from SPOT 7 satellite data (1.5 m in panchromatic and 6 m multiple spectral bands). The image segmentation was carried out by using PCI Geomatics software (evaluation version), and output objects with associated spectral, shape, and metric information were selected as input data to train and validate the proposed model. For accuracy assessment, the performance of the model was compared to several benchmarked classifiers by using standard statistical indicators such as Receiver Operator Characteristics, Area under ROC, Root Mean Square Error, Absolute Mean Error, Kappa index, and Overall accuracy. The results showed that WANFIS outperformed the other in almost all training data sets for both operations. It could be concluded that the examination of the classification model in different training data sizes is significant, and the proper determination of predictor variables and training sizes would improve the quality of classification of remotely sensed data.     

用于肺炎图像分类的优化卷积神经网络方法

目前,卷积神经网络（CNN）开始应用在肺炎分类领域。针对层数较浅、结构较为简单的卷积网络对肺炎识别的准确率难以提高的情况,采用深度学习方法,并针对采用深度学习方法时常常需要消耗大量的系统资源,导致卷积网络难以在用户端部署的问题,提出一种使用优化的卷积神经网络的分类方法。首先,根据肺炎图像的特征,选择具有良好图像分类性能的AlexNet与InceptionV3模型;然后,利用医学影像特点对层次更深、结构更加复杂的InceptionV3模型进行预训练;最后,通过知识蒸馏的方法,将训练好的"知识"（有效信息）提取到AlexNet模型中,从而实现在减少系统资源占用的同时,提高准确率的效果。实验数据表明,使用知识蒸馏后,AlexNet模型的准确率、特异性与灵敏度分别提高了4.1、7.45、1.97个百分点,且对图像处理器（GPU）占用相比InceptionV3模型减小了51个百分点。     

基于贝叶斯模型的云服务服务质量预测

针对如何分配一个未来一段时间内满足QoS要求的云服务和感知可能将要发生的QoS违规的问题,提出一种基于时间序列预测方法的云服务QoS预测方法。该预测方法利用改进的贝叶斯常均值(IBCM)模型,能够准确地预测云服务未来一段时间内的QoS状态。实验通过搭建Hadoop集群模拟云平台并收集了响应时间和吞吐量两种QoS属性的数据作为预测对象,实验结果表明:相比自回归积分滑动平均(ARIMA)模型和贝叶斯常均值折扣模型等时间序列预测方法,基于改进的贝叶斯常均值模型的云服务QoS预测方法的平方和误差(SSE)、平均绝对误差(MAE)、均方误差(MSE)和和平均绝对百分比误差(MAPE)均比前两者小一个数量级,因此具有更高的预测精度;同时预测结果对比图说明提出的预测方法具有更好的拟合效果。     

基于梯度相关性分解的无参考图像质量评价方法

目前大部分无参考型的图像质量评价方法都是基于图像的几何特征进行描述的,但是这种方法对于图像的边界要求较为严格,并且在实际应用中的图像的失真类型是未知的。针对这一缺点,提出一种基于梯度相关性分解的无参考图像质量评价(DGS)方法,该方法提取图像的梯度,对其进行奇异值分解作为图像的主要结构信息,以此对图像的质量进行评价。实验结果表明,DGS模型比通用的简单有效的峰值信噪比(或均方误差)模型更符合人眼视觉系统特性,能在无参考的情况下更好地评价图像质量,并与图像的主观评价值达到更准确的一致性。     

Bone age estimation from carpal radiography images using deep learning

Bone age estimation has been used in medicine to verify whether the bone structure development degree of a person corresponds to their chronological age. Such estimate is useful for prognosis about the development of children and adolescents, as well as for the diagnosis of endocrinological diseases. This work proposes a fully automated methodology for bone age estimation from carpal radiography images. The methodology comprises two steps, the preprocessing of the image and the classification using a convolutional neural network. The system accuracy for different types of preprocessing is evaluated. We compare the accuracy achieved using the full radiography image as input for the neural network and using only parts of the image corresponding to the Phalangeal region, the Epiphyseal region, and the concatenation of these parts with a crop around the wrist. Digital image processing techniques are employed to segment these regions. Experiments are performed using radiography images from the California University Database. The impact of using different pre-trained neural networks for transfer learning is evaluated.     

基于核的最小均方误差改进算法及其应用

传统基于核的最小均方误差(KMSE)算法在进行人脸识别时,需要求解多个方程,计算量较大。为此,提出一种用于多类识别的基于核的多元最小均方误差(KMSEMC)算法,该算法只需一个方程即可。在AR人脸库上的实验及数据分析表明,该算法在时间复杂度和识别率等方面计算量较小,在识别性能和计算时间上都优于同类传统算法。     

Decision tree regression for soft classification of remote sensing data

In recent years, decision tree classifiers have been successfully used for land cover classification from remote sensing data. Their implementation as a per-pixel based classifier to produce hard or crisp classification has been reported in the literature. Remote sensing images, particularly at coarse spatial resolutions, are contaminated with mixed pixels that contain more than one class on the ground. The per-pixel approach may result in erroneous classification of images dominated by mixed pixels. Therefore, soft classification approaches that decompose the pixel into its class constituents in the form of class proportions have been advocated. In this paper, we employ a decision tree regression approach to determine class proportions within a pixel so as to produce soft classification from remote sensing data. Classification accuracy achieved by decision tree regression is compared with those achieved by the most widely used maximum likelihood classifier, implemented in the soft mode, and a supervised version of the fuzzy c-means classifier. Root Mean Square Error (RMSE) and fuzzy error matrix based measures have been used for accuracy assessment of soft classification.     

基于Inception深度残差网络的皮肤黑色素癌图像分类算法

由于皮肤黑色素癌图像存在类内差异大、样本数据集小等特点, 采用深度残差网络可以有效解决训练过程中过拟合问题, 提高识别准确率. 但是深度残差网络模型的训练参数多, 时间复杂度高. 为了提高训练效率, 提高识别准确率, 首先从理论上分析了深度残差网络模型的结构, 通过修改网络结构, 利用Inception结构代替残差网络中的卷积层、池化层, 减少模型的训练参数数量, 降低时间复杂度. 在此基础上, 提出了基于Inception深度残差网络皮肤黑色素癌分类识别算法(Inception Deep Residual Network, IDRN), 用Inception结构代替残差网络中的卷积池化层, 用SeLU激活函数代替传统的ReLU函数. 之后, 在公开的黑色素癌皮肤镜图像ISIC2017数据集上进行实验验证. 理论和实验表明, 与传统的卷积神经网络ResNet50相比, 本文提出的新的分类算法降低了时间复杂度, 提高了识别准确率.