结合颅骨形态特征与神经网络的民族判别

针对颅骨民族判别问题,提出结合颅骨形态特征与神经网络的判别方法,可以推进法医人类学的发展,加快探索民族发展历程。首先,根据颅骨形态学相关研究,提取36个维吾尔族和汉族颅骨数据的几何特征;其次,采用反向传播神经网络(BPNN)对特征向量进行民族判别,并通过Adam算法对网络进行优化,避免陷入局部最优值,添加正则化项保证算法稳定性;最后,分别采用2种网络结构进行对比实验,输入层、隐藏层和输出层的神经元个数分别为36、6、2和36、12、2,并设置不同初始学习率进行对比实验。结果表明:隐藏层神经元个数为12、学习率为0.0001时,分类精度最高,测试阶段平均准确率最高为97.5%。为了验证所提方法的普适性,生成116例国外颅骨数据进行实验,测试阶段平均准确率为90.96%。相比较于支持向量机(SVM)、决策树、KNN、Fisher等机器学习方法,所提方法学习能力更强且分类精度有明显提升。

基于全卷积自加权分类器的三维颅骨性别鉴定

传统颅骨性别鉴定通常需要人为指定或者测量颅骨的几何形态指标,难以全面地提取颅骨性别特征,无法保证性别鉴定的准确率。为此,提出一种基于深度学习的颅骨性别鉴定方法,用三通道的二维图像表示三维颅骨数据,解决了神经网络难以有效处理拓扑复杂的三维颅骨模型的问题;设计了专用的全卷积自加权分类器,分别判别颅骨的不同部位;加入权值网络和patch自加权损失,提升了颅骨性别鉴定的准确率。与文献中的颅骨性别鉴定方法和经典分类网络的对比实验结果表明,本文方法鉴定结果准确率较高(完整颅骨鉴别准确率98.30%,缺损颅骨鉴别准确率98.98%)。