基于图卷积的视网膜血管轮廓及高不确定度区域细化框架

针对传统卷积神经网络(convolutional neural network, CNN)受感受野大小的限制,无法直接有效地获取空间结构及全局语义等关键信息,导致宽血管边界及毛细血管区域特征提取困难,造成视网膜血管分割表现不佳的问题,提出一种基于图卷积的视网膜血管分割细化框架。该框架通过轮廓提取及不确定分析方法,选取CNN粗分割结果中潜在的误分割区域,并结合其提取的特征信息构造出合适的图数据,送入残差图卷积网络(residual graph convolutional network, Res-GCN)二次分类,得到视网膜血管细化分割结果。该框架可以作为一个即插即用模块接入任意视网膜血管分割网络的末端,具有高移植性和易用性的特点。实验分别选用U型网络(U-neural network, U-Net)及其代表性改进网络DenseU-Net和AttU-Net作为基准网络,在DRIVE、STARE和CHASEDB1数据集上进行测试,本文框架的Sp分别为98.28%、99.10%和99.04%,Pr分别为87.97%、88.87%和90.25%,证明其具有提升基准网络分割效果的细化能力。     

用于视网膜血管分割的半监督深度学习框架北大核心CSCD

针对目前视网膜血管分割任务中伪标签质量参差不齐,获得高质量的伪标签需要经过筛选的问题,本文提出了一种新的用于视网膜血管分割的半监督深度学习框架。该框架采用分而治之的思想来处理数据,针对有标签数据,采用传统的深度学习方法;针对无标签数据,采用Mean teacher模型,通过对比同一输入的不同形态输出,让模型学习无标签数据之间的共同特征,避免了采用伪标签技术带来的筛选过程。本文将U型网络(u-neural networks,U-Net)、Dense-Net和Ladder-Net 3个基准网络放入该框架,在DRIVE和CHASEDB1数据集上进行训练测试,均取得了较好的分割效果,表明本文框架具有提高网络区分不同阈值像素的能力。     

基于多尺度一致性与注意力机制的视网膜血管分割网络

针对现有的视网膜血管分割方法存在对微血管和毛细血管的分割能力不足,导致血管断连和末端血管漏分,造成视网膜血管分割性能不佳的问题,本文提出一种基于多尺度一致性与注意力机制的视网膜血管分割网络(multi-scale consistency and attention mechanism U-Net, MCAU-Net)。首先,该网络在瓶颈特征层嵌入注意力细化模块(attention refinement module, ARM),能有效细化瓶颈层冗余的特征,抑制背景等无关像素的权值。其次,将上下文特征融合模块(context fusion module, CFM)与传统的跳跃连接相结合,以此补充在特征提取过程中逐渐丢失的信息,加强网络对微血管和毛细血管的构建能力。最后,基于网络的多尺度输出设计了一种多尺度一致性的训练方式,以增强网络对不同尺度特征的敏感性。在DRIVE和CHASE＿DB1公开数据集上进行的对比实验表明本文网络具有良好的分割性能。     

结合改进VGGNet和Focal Loss的人脸表情识别

针对目前表情识别准确率偏低,表情数据集中类别样本类间差异小、类内差异大以及误标注样本产生的误分类等问题,提出了一种结合改进VGGNet和Focal Loss的人脸表情识别算法。在迁移学习的基础上,通过设计新的输出模块对VGGNet模型进行改进,提升了模型的特征提取能力,能够较好地避免过拟合现象;通过设置概率阈值对Focal Loss进行改进,避免误标注样本对模型分类性能产生影响。实验结果表明,该模型在CK+、JAFFE以及FER2013数据集上的识别准确率分别达到了99.68%、97.61%和72.49%,在实际应用中泛化能力突出。     

多层自适应聚合的自监督小样本图像分类

目的 在图像分类领域,小样本学习旨在利用从大规模数据集中训练到的知识来处理仅包含少量有标记训练样本的下游分类任务。通常情况下,下游任务只涉及新类样本,由于元训练阶段会构造大量任务随机抽取训练集中不同类别的样本且训练集与测试集类别间存在领域间隙,因此模型训练周期长且可能对训练集过拟合,以致元知识无法迁移到测试集,进而导致模型泛化性差。针对以上问题,提出一种多层自适应聚合的自监督小样本图像分类模型。方法 首先使用分组卷积对残差块进行改进,减少神经网络参数量,降低训练难度,缩短训练时间;然后采用多层自适应聚合的方法改进骨干网络,对网络各层语义信息加以提炼聚合,自适应分配各层权重,将聚合后的特征图作为后续分类的依据;最后加入自监督对比学习结合有监督学习挖掘样本自身潜在的信息,从而提升样本特征表达能力。结果 在mini-ImageNet数据集和CUB(Caltech-UCSD birds-200-2011)数据集上与当前主流模型进行分类效果对比实验,与baseline相比,所提模型的准确率在mini-ImageNet数据集的5-way 1-shot与5-way 5-shot实验上分别提升了6.3...     

以食品为基础的《有机化学》课程教学研究

本文首先介绍了《有机化学》课程教学现状及解决策略。《有机化学》课程为专业基础课,授课过程中单纯地给学生讲解理论知识,让学生感到枯燥乏味,不能激发学生的学习兴趣,作者以食品为基础的《有机化学》课程在教学实践与探索过程中,教学效果好,起到了事半功倍的作用。     

多尺度自适应上采样的图像超分辨率重建算法

针对现有基于卷积神经网络的图像超分辨率重建网络中存在的训练难以收敛、无法适配多个放大系数和无法进行非整数放大系数上采样的问题,提出了一种基于多尺度和分而治之思想的自适应上采样图像超分辨率重建算法。该算法通过改进后的多尺度通道注意力特征提取模块对低分辨率图像进行多尺度特征提取以生成不同尺度下的特征图,再将其输入瓶颈层实现全局特征融合,使用基于分而治之的自适应上采样模块获得超分辨率图像,从而解决了不同放大系数的适配问题和非整数放大系数的上采样问题。在对比实验中,该算法在不使用任何初始化方法时仍然具有良好的收敛性。在整数放大系数下,该算法的图像重建性能超过当前主流的超分辨率网络,PSNR和SSIM性能相比MRFN分别提升了0.34 dB和0.039 1。在非整数放大系数下,其PSNR性能相比双三次插值方法平均提升1.24 dB,且不需要对每一个放大系数都进行训练。     

稳定同位素稀释-超高效液相色谱-三重四极杆质谱法测定牛奶及牛源性婴幼儿配方乳粉中A1型和A2型β-酪蛋白含量

目的 建立基于纯化蛋白和稳定同位素稀释-超高效液相色谱-三重四极杆质谱法(ultra performance liquid chromatography coupled triple quadrupole mass spectrometry,UPLC-MS/MS)定性及定量测定牛奶及牛源性婴幼儿配方乳粉中A1和A2 β-酪蛋白变异体的分析方法。方法 首先将β-酪蛋白标准品中A1和A2 β-酪蛋白变异体在高效液相色谱仪上分离,通过各自的纯化蛋白确定两种变异体在标准品中的含量,再将试样中的β-酪蛋白经胰蛋白酶酶解成肽,经UPLC-MS/MS检测。通过筛选的特异肽段,经β-酪蛋白标准品及稳定同位素稀释内标法计算,获得试样中β-酪蛋白A1变异体和A2变异体的含量。结果 本研究采用的β-酪蛋白标准对照品中A1和A2 β-酪蛋白变异体含量分别为20.8%和55.1%,且在检测中标准曲线的线性相关系数均大于0.99,方法重现性中相对标准偏差为2.290%～4.720%。结论 本方法溯源性及精密度好,适用于牛奶及牛源性婴幼儿配方乳粉中两种β-酪蛋白变异体的测定。     

艾拉姆咖分布的统计推断

为了对艾拉姆咖分布参数进行参数估计,利用数学归纳法和卷积公式,给出艾拉姆咖分布参数的充分统计量,在此基础上得出分布参数的一致最小方差无偏估计和置信区间的计算公式.经计算机模拟,利用Matlab产生的随机数验证所给点估计公式和区间估计方法的有效性.结果表明所给估计量准确性高,区间估计方法正确可用.     

滞港人民币回流内地的构想

2003年港澳游实施和2004年CEPA激活以来,由私人携带出境而滞留香港的人民币已达到700亿—1000亿元。从货币性质看,属于国际收支中经常项目下的贸易项目支付。因而,构想在对香港的出口贸易中推行本币报价、本币结算,使滞港人民币合法回流,完成人民币的双向流动,并可以改善内地贸易顺差过大的现状。