面向图像分类的深度模型可解释性研究综述

深度学习目前在计算机视觉、自然语言处理、语音识别等领域得到了深入发展,与传统的机器学习算法相比,深度模型在许多任务上具有较高的准确率.然而,作为端到端的具有高度非线性的复杂模型,深度模型的可解释性没有传统机器学习算法好,这为深度学习在现实生活中的应用带来了一定的阻碍.深度模型的可解释性研究具有重大意义而且是非常必要的,近年来许多学者围绕这一问题提出了不同的算法.针对图像分类任务,将可解释性算法分为全局可解释性和局部可解释性算法.在解释的粒度上,进一步将全局解释性算法分为模型级和神经元级的可解释性算法,将局部可解释性算法划分为像素级特征、概念级特征以及图像级特征可解释性算法.基于上述分类框架,总结了常见的深度模型可解释性算法以及相关的评价指标,同时讨论了可解释性研究面临的挑战和未来的研究方向.认为深度模型的可解释性研究和理论基础研究是打开深度模型黑箱的必要途径,同时可解释性算法存在巨大潜力可以为解决深度模型的公平性、泛化性等其他问题提供帮助.

不同术后处理因素对结直肠癌病人肠道菌群及近期临床结局影响

目的探讨术后早期进食及应用抗生素对结直肠癌病人肠道菌群及近期临床结局影响。方法结直肠癌病人45例,随机分为术后早期进食+预防性抗生素应用组(Ⅰ组)、术后禁饮食+预防性抗生素应用组(Ⅱ组)及术后早期进食+抗生素无限制应用组(Ⅲ组),细菌培养法比较各组术后粪便肠道菌群情况,观察病人短期临床结局,包括术后排气时间、吻合口漏及切口感染情况。结果术后Ⅱ、Ⅲ组病人大肠杆菌和肠球菌计数与Ⅰ组相比明显增加(F=50.260、55.158,P<0.05),双歧杆菌和乳杆菌计数明显减少(F=24.022、27.027,P<0.05)。Ⅰ组病人排气时间早于Ⅱ、Ⅲ组病人(F=85.830,P<0.05)。结论手术、抗生素应用及术后禁饮食影响围手术期肠道微生态,容易造成肠道菌群失调,影响近期临床结局;而合理应用抗生素、术后早期进食可改善肠道微生态及近期临床结局。

基于知识的零样本视觉识别综述

零样本学习旨在通过运用已学到的已知类知识去认知未知类.近年来,"数据+知识驱动"已经成为当下的新潮流,而在计算机视觉领域内的零样本任务中,"知识"本身却缺乏统一明确的定义.针对这种情况,尝试从知识的角度出发,梳理了本领域内"知识"这一概念所覆盖的范畴,共划分为初级知识、抽象知识以及外部知识.基于前面对知识的定义和划分,梳理了当前的零样本学习(主要是图像分类任务的模型)工作,分为基于初级知识的零样本模型、基于抽象知识的零样本模型以及引入外部知识的零样本模型.还对领域内存在的域偏移和枢纽点问题进行了阐述,并基于问题对现有工作进行了总结归纳.最后总结了目前常用的图像分类任务的数据集和知识库、图像分类实验评估标准以及代表性的模型实验结果,并对未来的工作进行了展望.

基于特征归因重要度评价的卷积网络剪枝

近几年,深度模型在诸多任务中取得了巨大成功,但是深度模型需要大量的存储和计算资源实现精确决策,研究者为了将深度模型应用到资源受限的终端设备中,设计了模型压缩的优化策略来降低模型占存和计算量.本文基于剪枝压缩框架,从卷积核重要度评价的角度提出了两种模型剪枝算法.(1)由于每个卷积核都可以学习到其独有特征信息,因此本文提出了一种归因评价机制用于评价卷积核所学特征与因果特征的相关度,将模型中与因果特征相关度较低的卷积核进行裁剪,以实现模型压缩的目的,同时也能够保留原模型的归因特征,称此算法为归因剪枝.(2)第2种剪枝算法基于迭代优化剪枝框架,采用卷积通道和梯度中正相关特征评价相应卷积核重要度,以便于提高剪枝冗余卷积核的精准度,称为Taylor-guided剪枝算法.本文在VGGNet和ResNet两种网络架构上进行实验验证,结果表明:归因剪枝算法可以极大地保留原模型的归因特征;并且两种剪枝算法能够取得比当前主流剪枝算法更优异的压缩效果.

胸腔镜、食管镜双镜联合行膈上食管憩室切除1例

1临床资料患者男性,58岁,因吞咽不适、反酸半年,发现食管憩室2周入院。查体无阳性病理征。胃镜示距门齿38cm处见一巨大食管憩室,内有巨大食团,黏膜欠光滑,黏膜下血管网清晰,齿状线距门齿40cm。胸部CT示食管左后方见囊袋影,与食管下段相通,最大截面约39mm×41mm,内可见混杂密度灶,周围间隙清晰(见图1)。术中采用双腔气管插管全麻、右侧卧位,腋后线第7肋间为观察孔,腋中线第5肋间为操作孔,暴露后纵隔.