基于多尺度卷积特征融合的肺结节图像检索方法

为了解决肺结节图像检索中特征提取难度大、检索精度低下的问题,提出了一种深度网络模型--LMSCRnet用于提取图像特征。首先采用多种不同尺寸滤波器卷积的特征融合方法以解决肺结节大小不一引起的局部特征难以获取的问题,然后引入SE-ResNeXt块来得到更高级的语义特征同时减少网络退化,最后得到肺结节图像的高级语义特征表示。为满足现实中大数据量检索任务的需求,将距离计算及排序过程部署到Spark分布式平台上。实验结果表明,基于LMSCRnet的特征提取方法能够更好地提取图像高级语义信息,在肺结节预处理数据集LIDC上能够达到84.48%的准确率,检索精度高于其他检索方法,而且使用Spark分布式平台完成相似度匹配及排序过程使得检索方法能够满足大数据量检索任务需求。

智能触屏公交站牌的应用研究

以智能交通,绿色出行为目的,从当前科技水平、交通发展状况等现状出发,结合移动互联网、大数据分析、能源技术等多方面设计构思智能触屏公交站牌。该产品结合当前科技发展,以提高公共设施的品质、实现人与车的"交流"为目的,真正做到了城市交通智能化,大大提高城市的整体交通状况。

基于深度混合卷积模型的肺结节检测方法

基于高维肺部计算机断层扫描(CT)图像的肺结节检测是一项极具挑战性的任务。在诸多肺结节检测算法中,深度卷积神经网络(CNN)最引人注目,其中二维(2D)CNN具有预训练模型多、检测效率高等优点,应用非常广泛,但肺结节本质是三维(3D)病灶,2D CNN会不可避免地造成信息损失,从而影响检测精度。3D CNN能充分利用CT图像空间信息,有效提升检测精度,但是3D CNN存在参数多、计算消耗大、过拟合风险高等不足。为了兼顾两者的优势,提出基于深度混合CNN的肺结节检测模型,通过在神经网络模型的浅层部署3D CNN,在模型的深层部署2D CNN,并增加反卷积模块,融合了多层级的图像特征,达到了在不损失检测精度的情况下减少模型参数、增强模型泛化能力,提高检测效率的目的。在LUNA16数据集上的实验结果表明,所提出的模型在平均每次扫描8个假阳性的情况下的敏感度为0.924,优于现有的先进模型。

大数据下的智慧交通初探

当前信息技术的迅猛发展给智慧交通的发展带来了重大变革。以数据为核心的大数据技术的广泛运用改变了智慧交通服务方式,为其发展打开了新思路,极大推动了我国智慧交通的发展。文章将分析大数据在智慧交通中是如何发挥作用的,并对大数据下智慧交通框架进行介绍,同时指出目前大数据技术应用中存在的问题并提出建议。