自动驾驶环境感知多任务去耦-融合算法

自动驾驶车辆在行驶过程中,需要对行人和车辆同时完成目标检测、实例分割和目标跟踪三个任务。提出一种基于深度学习的环境感知模型同时对三个任务进行多任务学习。首先,通过卷积神经网络对连续帧图像提取时空特征;然后,通过注意力机制对时空特征进行去耦再融合,充分利用任务间的相关性,实现不同任务对时空特征的差异化选择;最后,为平衡不同任务间的学习速率,使用动态加权平均的方式对模型进行训练。在KITTI数据集上的实验结果表明,所提模型在目标检测方面,比CenterTrack模型F1得分提高了0.6个百分点;在目标跟踪方面,比TraDeS(Track to Detect and Segment)模型多目标跟踪精度(MOTA)提高了0.7个百分点;在实例分割方面,比SOLOv2(Segmenting Objects by LOcations version 2)模型AP_(50)和AP_(75)分别提高了7.4和3.9个百分点。

基于多基因的阿尔兹海默症风险评估研究

阿尔兹海默症(Alzheimer’s Disease,AD)是一种神经退行性疾病,多发于老年人群,严重影响着患者的身体健康和生活质量,本研究利用生物信息学方法对AD基因表达谱数据进行系统性分析,旨在鉴定潜在的AD多基因生物标志物,从而建立有效的AD风险评估系统。从高通量基因表达数据库(GEO)下载AD患者组和对照组的基因表达谱数据,包含90例AD样本和90例对照样本,通过差异表达分析筛选出487个显著差异表达基因,其中包括在AD样本中155个上调基因和332个下调基因;同时采用加权基因共表达网络分析(WGCNA)识别出14个加权基因共表达模块;将差异表达基因与共表达基因取交集得到421个差异共表达基因。通过LASSO回归分析在差异共表达基因中鉴定出14个与AD密切关联的核心基因,分别为:ACBD5、KIAA1257、SNHG13、MAB21L2、MC1R、GALM、KCNH4、PSD4、F12、FSTL1、CIITA、TADA1、TARBP1、ZFP36L2,这些核心基因有望成为潜在的AD多基因生物标志物。最后将样本的核心基因表达量、年龄和性别信息作为特征输入支持向量机(SVM)模型,随机划分训练集和测试集,用训练集训练SVM参数,测试集进行性能评估。结果显示,SVM模型在测试集样本预测准确率为93.3%,受试者工作特性曲线(ROC)的曲线下面积(AUC)值达到0.956,具有良好的预测性能,基于SVM的AD风险评估系统可根据被试者基因表达数据预测AD患病风险,提供个性化风险评估。