基于卷积注意力机制的2D-LiDAR实时人体检测算法

针对激光雷达(LiDAR)数据稀疏且信息含量低,难以识别人体特征的难题,提出一种基于卷积注意力机制的人体腿部实时检测方法。通过深度引导的滑动窗口对激光点信息预处理,使对象在不同的距离上有相同的特征信息。通过时间信息聚合,获得LiDAR数据更丰富的空间表现,减少运算时间。通过卷积注意力模块与自回归模型卷积神经网络,对空间邻域关联错位的特征进行分析。为验证本文提出算法对行人腿部的检测效果,在DROW验证集的3种评估半径下,曲线下面积(AUC)提高21%以上,F1提高14%以上,检测时间平均降低13 ms。实验结果表明:本文算法相比于DROW算法具有更高的检测精度与更快的运算速度。

基于类平衡损失的咽喉反流语义分割与诊断方法

当前咽喉反流疾病的筛查主要依靠电子喉镜图像通过反流体征评分(RFS)量表进行评分,尽管这种量化评估方式增强了筛查诊断的客观性,但误诊率、筛查效率仍有待进一步改进。通过深度学习算法实现基于RFS的咽喉反流量化辅助评估。首先,提出一种基于类平衡损失的咽喉反流语义分割与诊断(CBD-FCN)算法,通过RFS量表先验知识对电子喉镜图像进行喉部多区域语义分割,该算法有效解决了数据集样本类别不平衡和小目标检测的问题,平均交并比(IoU)提高6.38个百分点,声带沟、肉芽肿和黏液等小目标检出率分别提升4个百分点、18个百分点和75个百分点。其次,针对RFS量表中难量化评估的主观项,通过SE-ResNet和目标区域分割特征进行量化并实现评分。上述辅助评分结果可以有效快速地实现咽喉反流的筛查诊断,实验结果表明,所提方法的诊断正确率达到94.40%。该研究不仅提供了一种创新的计算机辅助咽喉反流量化评估方法,同时也为基于RFS量表的咽喉反流评估提供了诊断参考,有助于咽喉反流相关疾病的研究。