大规模在线协作学习分组方法及应用研究

学习孤独感问题是造成MOOC课程学习完成率低的原因之一,构建与学习者学习特征相适应的协作学习小组,可以有效解决学习孤独感问题。利用自编码神经网络提取在线学习者的关键特征,根据同质分组原则,利用模糊C均值算法对在线学习者进行迭代分组,使在线学习者从独自学习转变为以团队的形式进行协作学习,从而改善在线学习者的学习体验,降低学习孤独感。以edX平台上选择计算机科学与编程入门课程的19?846名在线学习者为实验对象,进行在线协作学习分组。实验结果表明,基于该分组方法,每个小组内学习者都有较高的同质性,可以很好地解决学习孤独感问题。     

全卷积深度迁移网络的联合分割

近年来,随着超声空化在医疗上的应用,超声空化治疗又重新回到了人们的视野,因其在处理血管阻塞方面的天然的优势,引起了广泛的讨论和研究。为实现准确的实时治疗,提出了一种基于全卷积网络（Fully Convolutional Networks,FCN）的超声血管分割方法。全卷积深度迁移分割网络（Full Convolutional deep Aggregation Migration Network,AMFCN）通过对全卷积网络使用对称网络连接,深度聚合模式以深度提取图像特征,并优化数据增强方式,添加迁移学习模型等方法,有效地利用已有数据进行数据拓展,缓解医学图像数据过少的影响。实验结果表明,该研究方法在超声血管图像上取得了较好的分割性能,能准确地分割出血管区域。     

深度学习模型可解释性研究综述

深度学习技术以数据驱动学习的特点,在自然语言处理、图像处理、语音识别等领域取得了巨大成就。但由于深度学习模型网络过深、参数多、复杂度高等特性,该模型做出的决策及中间过程让人类难以理解,因此探究深度学习的可解释性成为当前人工智能领域研究的新课题。以深度学习模型可解释性为研究对象,对其研究进展进行总结阐述。从自解释模型、特定模型解释、不可知模型解释、因果可解释性四个方面对主要可解释性方法进行总结分析。列举出可解释性相关技术的应用,讨论当前可解释性研究存在的问题并进行展望,以推动深度学习可解释性研究框架的进一步发展。     

深度学习场景文本检测方法综述

自然场景文本检测对于机器理解场景等有着重要作用。近年来,随着深度学习的发展,自然场景文字检测方法也日新月异,取得了很好的检测效果。分析、总结了近年来基于深度学习的场景文字检测方法,将其归纳分类为基于回归、基于分割,以及两者混合三种类型,并对各类检测方法的优缺点进行了对比分析。介绍了场景文本检测性能指标及常用的公开数据集以及下载方式。对场景文字检测领域研究进行总结和展望,有望为深度学习场景文本检测方法提供新的研究方向。     

基于卷积神经网络的脑肿瘤分割方法综述

脑肿瘤自动分割对脑肿瘤诊断、手术规划和治疗评估中起着重要的作用。然而,由于脑病变结构的高可变性,组织边界模糊,以及数据有限和类不平衡等问题,导致其仍面临巨大的挑战。目前,大部分分割依赖手工,耗时耗力,易受主观影响,寻求一种高效的自动分割方法非常具有研究意义。介绍了脑肿瘤分割的研究背景、意义和难点,并概述了其发展历程;从数据和结构优化两方面详细描述基于脑肿瘤分割的卷积神经网络,简介脑分割常用的数据集和性能指标;分析了2017至2019年的BraTs挑战赛中排名靠前的算法性能,并讨论分析卷积神经网络应用于脑肿瘤分割的发展趋势。     

基于深度学习的关键岗位人员行为分析系统

针对关键岗位的人员行为分析的问题,提出了一种基于视频的行为分析方法。制作了包含多姿态样本的岗位人员行为数据集,并使用YOLOv3网络训练该数据集得到行为检测模型。使用提出的人员行为分析算法结合行为检测模型对视频进行处理,对人员行为进行初步分析。在人员行为分析算法的基础上,结合图像相似度和明暗度等特征,进行深度分析并给出离岗、睡觉和玩手机事件的判断结果。实验结果表明,制作的数据集在人员行为检测中有较高的检测精度,同时行为分析的准确度也较高,并且能够进行实时处理。     

基于X线的成人OSA计算机辅助诊断综述

阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea,OSA）是成年人较为常见的呼吸类疾病之一,该疾病的特点是睡眠过程中频繁出现上气道完全或部分塌陷,严重影响人们的睡眠质量以及身体健康。阻塞性睡眠呼吸暂停综合征的诊断主要依靠多导睡眠监测,但这种方法无法满足目前大量的诊断需求。随着人工智能的出现及发展,假设深度学习可以有效地协助医生进行诊断该综合征。主要从阻塞性睡眠呼吸暂停的临床诊断方式出发,介绍了颅面侧位片作为诊断数据集的优势,以及人工智能诊断OSA的现状,提出了人工智能辅助医师诊断OSA的技术路线,分析了目前该诊断系统仍然存在的问题和挑战。     

QPSO算法的改进及其在DBN参数优化中应用

为了提升标准量子粒子群算法（Quantum Particle Swarm Optimization,QPSO）的收敛精度,提出了基于粒子势阱长度变化率的粒子平均最优位置权重计算方法,通过平均最优位置的调节,来提升粒子的寻优能力,并将改进后的QPSO算法应用于深度置信网络（Depth Belief Network,DBN）模型的学习率参数寻优中,以便找到最优的DBN模型参数,来提升DBN模型的识别准确率。将通过改进后QPSO算法进行参数寻优的DBN网络（LQ_DBN）应用于蛋黄形状检测中,与现有典型的DBN网络模型对比表明,LQ_DBN模型在蛋黄形状检测实验中的识别准确率比CC-PSO-DBN、PSO_MDBN和标准DBN模型都要高,且检测识别准确率的稳定性也是四种对比模型中最高的,表明基于改进的QPSO算法的DBN网络模型取得了较好的优化效果。     

回环软件缺陷数量预测模型

软件缺陷预测是软件工程中的一个研究热点问题,通常软件缺陷预测的研究工作主要关注于软件模块是否存在缺陷和软件模块存在缺陷的数量。目前软件缺陷数量研究主要集中在基于缺陷数的软件模块排序。为提高软件模块排序的准确度,提出一种回环软件缺陷数量预测模型。此模型主要包括回环特征选择和缺陷预测两部分。在回环特征选择部分,将改进的密度峰值聚类算法和包裹式特征选择方法相结合,以回环的方式动态的选出最优特征,并训练学习器;陷预测部分采用反距离加权集成的方式得到预测结果。实验结果表明,此模型相比于LRCR、GRCR、LR、MLP、GP、NBR、ZIP分别提升了10.36%、28.74%、13.51%、36.61%、25.30%、60.14%、54.72%,有助于提高软件缺陷预测准确性。     

基于深度学习的网络流量预测研究综述

精准地预判网络流量变化趋势可以帮助运营商准确预估网络的使用情况,合理分配并高效利用网络资源,以满足日益增长且多样化的用户需求。以深度学习算法在网络流量预测领域的进展为线索,阐述了网络流量预测的评价指标和目前公开的网络流量数据集及应用,具体分析了网络流量预测中常用的深度信念网络、卷积神经网络、循环神经网络和长短时记忆网络共四种深度学习方法,并重点介绍了近年来针对不同问题所提出的改进神经网络模型,总结了各模型特点及应用场景。最后对网络流量预测未来发展进行了展望。