EfficientNet在阴虚证眼象识别中的应用研究

目的:基于EfficientNet建立可靠的阴虚证眼象识别模型,为阴虚证共性诊断模型的研究提供基础,推动中医目诊客观化的研究。方法:构建以阴虚证为主的常见中医证候眼象数据库,通过轮廓检测切割眼象图片,基于retinex理论增强图像,使用反射、对比度变换、噪声扰动等方法扩大数据集作为模型训练材料。对图片进行批归一化预处理后通过卷积神经网络构建眼象特征提取模型以及分类模型,判断最终归属的证候。结果:阴虚证识别模型对验证组数据的识别准确率达90.01%,对于阴虚证的诊断有一定的辅助价值。并以此模型为基础构建了阴虚证健康管理平台,将研究成果投入实际应用同时进一步收集眼象图片数据。结论:首次尝试使用图像识别技术以及EfficientNet,对目图像进行特征提取以及证候识别,并取得了较好的结果,这表明通过深度学习实现中医辨证客观化的技术路线是可行的,且填补了目前在目诊以及辨证客观化研究领域的不足。

属性知识自反绎下的半监督表示学习

机器学习结合逻辑推理的方法可以大幅提升模型的鲁棒性与可解释性.近年来,已有工作从给定的具体知识库出发,通过反绎学习的范式或是其衍生范式来促进机器学习中模型的更新过程.然而,在表示学习任务中,即便存在这样的知识库,其往往也是不完备或含有噪声的.且在真实环境下,即便领域专家也无法精准定量地描述不同对象的属性表示信息.因此,本文针对半监督表示学习任务,提出了一种可根据少量有标记样本构建弱领域属性知识库并结合无标记数据与基于启发式规则扩张领域知识库推理的反绎学习方法.该方法可有效解决表示学习任务下缺少强领域知识与真实环境下高质量标注数据较少这两个问题.在人工合成的数据集与真实环境下的数据集中的实验对比结果均验证了我们提出的方法的有效性.

结合环状原型空间优化的开放集目标检测

目的现有目标检测任务常在封闭集设定中进行。然而在现实问题中,待检测图片中往往包含未知类别目标。因此,在保证模型对已知类检测性能的基础上,为了提升模型在现实检测任务中对新增类别的目标检测能力,本文对开放集目标检测任务进行研究。方法区别于现有的开放集目标检测框架在检测任务中将背景类与未知类视为一个类别进行优化,本文框架在进行开放集类别识别的过程中,优先识别候选框属于背景类或是含待识别目标类别,而后再对含待识别目标类别进行已知类与未知类的判别。本文提出基于环状原型空间优化的检测器,该检测器可以通过优化待检测框的特征在高维空间中的稀疏程度对已知类、未知类与背景类进行环状序列判别,从而提升模型对开放集类别的检测性能。在(region proposal networks,RPN)层后设计了随机覆盖候选框的方式筛选相关的背景类训练框,避免了以往开放集检测工作中繁杂的背景类采样步骤。结果本文方法在保证模型对封闭集设定下检测性能的情况下,通过逐步增加未知类别的数量,在Visual Object Classes-Common Objects in Context-20(VOC-COCO-20),Visual Object Classes-Common Objects in Context-40(VOC-COCO-40)以及Visual Object ClassesCommon Objects in Context-60(VOC-COCO-60)数据集中的4个指标上均取得了具有竞争力的结果。同时,通过增加未知类目标的图片数量与包含已知类目标的图片数量的比值wilderness ratio(WR),所提方法在3个对比实验共12项结果中,有10项领先于对比方法。消融实验也证明了方法中每一个模块的有效性。结论本文提出的基于环状原型空间优化的开放集目标检测框架取得了较好的检测效果。通过在实际检测任务中的实验对比,证明了本文方法在不改变模型封闭集识别性能的情况下,有更强的开放集类别检测能力。