基于Transformer的短时交通流时空预测

现有的交通流预测模型未能全面获取路网的空间依赖,忽略了周期性对交通流量的影响,且缺乏对全局时间依赖的建模能力。针对以上问题,提出一种结合Transformer的动态扩散卷积门控循环单元预测模型。该模型利用动态扩散卷积网络和门控循环单元对交通流的近期、日周期和周周期三个时间进行时空建模;使用Transformer层获取全局时间依赖关系;将各组件输出进行加权融合,生成预测结果。实验结果表明,该方法相较基准模型能有效降低预测误差,准确预测交通演化态势。

基于速度门控时空图卷积网络的交通流预测

现有的交通流预测模型大多数仅以交通流数据的角度进行预测,但交通速度和交通流数据之间也存在着一定的联系。因此,提出一种基于速度门控时空图卷积网络(SGSTGCN)的交通流预测模型,同时以交通流和交通速度的角度来解决交通流预测问题。SGSTGCN通过门控扩张卷积和图卷积分别对交通数据的时间和空间相关性进行建模,接着利用门控机制将交通速度特征融合到交通流特征中,使模型更精确地感知交通路网的动态变化,以实现准确的交通流预测。在真实高速公路交通流数据集上的实验表明,SGSTGCN模型比其他时空图网络预测模型DCRNN,STGCN具有更高的预测精度。

自适应目标的U型皮肤病变图像分割算法

针对皮肤病变图像分割问题,提出一种自动适应目标形状的U型皮肤病变图像分割算法。对原始病变图片依次进行灰度化、归一化和限制对比度自适应直方图均衡化处理,提高前景与背景的对比度;将预处理后的图片输入到U型网络中进行训练,该网络将调制可变形卷积块融合到U-Net的编码器和解码器中,使其自动适应病变目标的比例和形状,让复杂的病变结构能被更好地检测到;通过Softmax分类器得到分割结果。在ISBI2016皮肤病变图像数据集的实验结果显示,分割精度、Dice系数和灵敏度分别为97.87%、94.01%、94.70%。该算法可精确分割皮肤病变区域,总体性能优于现有算法。

基于U型稠密特征融合的皮肤病灶分割

皮肤病灶图像分割可作为医学相关类疾病辅助诊断的重要依据。针对皮肤病灶区域结构复杂和尺度信息参差错落的特点,提出一种基于U型稠密特征融合的皮肤病灶分割方法。编码器利用稠密网络结构和空洞空间金字塔池化充分提取特征与融合,由稠密空间注意力模块与深度可分离卷积解码深层特征,防止病灶区域周围噪声干扰,同时引入融合压缩注意力模块进一步提高分割性能,通过二值交叉熵与Jaccard系数结合的损失函数优化。在ISBI 2016皮肤病灶数据集进行仿真评估,Jaccard相似度和Dice系数分别达到86.87%和92.98%,有助于提高皮肤病灶诊断效率。