基于双交叉注意力Transformer网络的小样本图像语义分割

小样本图像语义分割只用少量样本就能分割出新类别。针对现有方法中语义信息挖掘不充分的问题,本文提出一种基于双交叉注意力网络的小样本图像语义分割方法。该方法采用Transformer结构,利用双交叉注意力模块同时从通道和空间维度上学习多尺度查询特征和支持特征的远程依赖性。首先,本文提出通道交叉注意力模块,并结合位置交叉注意力模块构成双交叉注意力模块。其中,通道交叉注意力模块用于学习查询和支持特征之间的通道语义相互关系,位置交叉注意力模块用来捕获查询和支持特征之间的远程上下文相关性。然后,通过多个双交叉注意力模块能够为查询图像提供包含丰富语义信息的多尺度交互特征。最后,本文引入辅助监督损失,并通过上采样和残差连接将多尺度交互特征连接至解码器以得到准确的新类分割结果。本文方法在数据集PASCAL-5i上的mIoU达到了69.9%(1-shot)和72.4%(5-shot),在数据集COCO-20i上的mIoU达到了48.9%(1-shot)和54.6%(5-shot)。与主流方法相比,本文方法的分割性能达到了最先进的水平。

跨级融合门控自适应网络用于视网膜血管分割

针对现有多数算法对浅层特征提取不足,导致分割结果中血管边界模糊、毛细血管欠分割且包含噪声等问题,提出一种跨级融合门控自适应网络。该网络中的密集门控通道变换模块,通过促进通道之间的竞争或协同关系充分提取浅层特征信息,避免浅层粗粒度特征信息丢失;通过跨层次融合模块捕获各层跨维度交互信息,有效聚合多尺度上下文特征;采用双自适应特征融合方法有效引导相邻层次特征融合,抑制噪声。在公共数据集DRIVE、CHASEDB1和STARE上进行验证,结果表明:所提网络准确率分别为0.9652、0.9668和0.9695,F_(1)值分别为0.8544、0.8152和0.8412,在多个指标上均处于较高水平,优于现有先进算法。

一种高效动态信道化接收机设计

提出了一种动态可重构信道化方法,解决了宽带信号跨信道问题.给出了动态可重构信道化接收机的设计方案,并对各部分硬件电路的设计进行了详细阐述.在FPGA内部实现了动态可重构信道化高效结构,并给出了该高效结构各组成模块的实现方法,该高效结构可大量节省FPGA的硬件资源.动态可重构信道化方法无需知道信号的调制形式即可实现宽带信号的动态重构,具有较强的通用性.

大数据时代的零售市场结构变迁——基于电商企业规模扩张的思考

互联网时代电子商务企业有望凭借强大的数据资源优势快速实现规模扩张,实体零售企业面临严峻的生存压力。一方面是传统店铺式企业被迫调整转型,另一方面消费需求的多样性又对电商企业落地经营提出要求。文章以互联网、大数据资源为纽带重构生产、流通、消费关系结构,推进线上线下零售业相关资源的整合与合作,构建交叉型零售渠道模式,是未来中国零售业优化资源配置,提升渠道整体运行效率的有效路径。

椭圆形断面溃坝波Ritter解

Saint-venant方程组经特征变换后得到特征线方程组,即不变量形式。本文对椭圆形断面不变量中的被积函数用级数展开再积分,得到了Riemann不变量的初等表达式,导出了溃坝波的解析式。并给出了求解无因次量V_(max)/gA_0/B_0^(1/2)、Q_(max)/A_0g·A_0/B_0^(1/2)、ω的辅助图。本文的方法可用来预报椭圆形断面溃坝洪水波问题。

传统零售企业从单渠道转型为全渠道的路径和机理——基于永辉超市的纵向案例研究

随着互联网的快速发展和消费需求的不断升级,传统零售企业面临着成本增加、业绩下滑、发展遇阻、核心竞争力下降等一系列问题。以永辉超市为例,分析了传统零售企业渠道转型的过程,在此基础上提出了传统零售企业渠道转型的路径和机理。研究发现,传统零售企业的渠道转型路径为从单渠道到多渠道,再到跨渠道,直至实现全渠道零售;其渠道转型机理包括感知市场变化趋势,获取外部资源支持,整合企业内部资源,调整企业渠道策略,最终实现产业链渠道价值共创。基于案例研究探讨传统零售企业从单渠道转型为全渠道的路径和机理,从理论上拓展了传统零售企业渠道转型的相关研究,从实践上能够为传统零售企业进行渠道转型提供理论指导。

集成CNN和Transformer的通道交互多层级融合变化检测

为有效集成卷积神经网络的局部性和Transformer的全局性,提出一种全新的通道交互多层级融合变化检测网络CIMLFNet。以CNN和Transformer为基础,设计一种三通道特征提取器,以充分提取两期影像的时空特征;构建一种金字塔时空交叉注意力模块,利用通道2提取的特征增强通道1和3提取的特征,突出变化信息;提出一种双分支通道交互多层级融合模块,分别从层级优先和通道优先的角度对增强的特征进行融合,以充分利用CNN和Transformer的优势和互补性;给出一种简单有效的边界区域增强分类器。在WHU、Google、GVLM和LEVIR等4组公开变化检测数据上,CIMLFNet的F_(1)/IoU值分别达到91.19%/83.80%、85.97%/75.40%、88.85%/79.94%和90.07%/81.94%,明显优于6组对比方法,验证了CIMLFNet的有效性。

基于高斯密度图的自然场景中文文字检测

自然场景下中文文字检测任务字符面积较小且文字背景复杂,为此,该文提出了一种基于高斯密度图作为分割区域标签的文字检测改进方法。将文本区域标注从矩形框改变为高斯分布区域标签,在特征融合部分引入了交叉通道融合注意力机制,以提高网络的收敛性能,提出像素值一维投影法解决了文字密集区域输出的高斯密度图在不同标签区域出现重叠的问题。经过实验验证,该文方法对中文文字检测有较好的结果,证明了该方法的有效性。

基于多模态融合的2D MR脑肿瘤图像分割算法研究

针对不同模态MR脑肿瘤图像呈现的肿瘤状态差异以及卷积神经网络(convolutional neural networks,CNNs)提取特征局限性的问题,提出了一种基于多模态融合的MR脑肿瘤图像分割方法。分割模型以U-net网络为原型,创新一种多模态图像融合方式以加强特征提取能力,同时引入通道交叉注意力机制(channel cross transformer,CCT)代替U-net中的跳跃连接结构,进一步弥补深浅层次的特征差距与空间依赖性,有效融合多尺度特征,加强对肿瘤的分割能力。实验在BraTS数据集上进行了多目标分割结果验证,通过定量分析对比前沿网络分割结果,表明该方法确有良好的分割性能,其分割出三种肿瘤区域的Dice系数分别达到80%、74%、71%。