The Coherence Cube Computing Method with Self-adaptive Time Window Based on Wavelet Transform

The coherence cube technology has become an important technology for the seismic attribute interpretation, which extracts the discontinuities of the events through analyzing the similarities of adjacent seismic channels to identify the fault form. The coherence cube technology which uses constant time window lengths can not balance the shallow layers and the deep layers, because the frequency band of seismic data varies with time. When analyzing the shallow layers, the time window will crossover a lot of events, which will lead to weak focusing ability and failure to delineate the details. While the time window will not be long enough for analyzing deep layers, which will lead to low accuracy because the coherences near the zero points of the events are heavily influenced by noise. For solving the problem, we should make a research on the coherence cube technology with self-adaptive time window. This paper determines the sample points＆#39; time window lengths in real time by computing the instantaneous frequency bands with Wavelet Transformation, which gives a coherence computing method with the self-adaptive time window lengths. The result shows that the coherence cube technology with self-adaptive time window based on Wavelet Transformation improves the accuracy of fault identification, and supresses the noise effectively. The method combines the advantages of long time window method and short time window method.

生物医学命名实体识别的两阶段学习算法

针对在生物医学领域中命名实体数据标注成本高、难以获取大量有标签数据的问题,提出了一个两阶段学习框架实现低资源下的中文生物医学命名实体识别。在第一阶段,利用Word2Vec和BERT为基础模型预训练并进行微调,获得特定领域的词向量表示;在第二阶段,将生成的词向量输入到由BiLSTM和条件随机场(Conditional random field,CRF)组成的神经网络中用于最终任务的训练。本文在Yidu-S4k数据集进行实验,结果表明本文算法在少量标签的情况下取得80.94%的准确率,具有较优性能。

基于Fast RCNN改进的布匹瑕疵识别算法

针对布匹瑕疵数据集分辨率高、瑕疵区域小,使用已有图像分类算法识别效果差的问题,提出了一种基于经典目标检测算法Fast RCNN改进的图像识别算法,用目标检测的流程完成图像识别任务。算法利用布匹瑕疵区域小的特性,在图像中生成大量潜在的瑕疵区域,利用卷积神经网络预测潜在区域包含瑕疵的概率,在算法的后期对潜在区域的概率进行合并,最终达到识别布匹中存在瑕疵的概率。在一个具有3331张高分辨率图片的数据集上进行实验,结果表明,本文算法比OurNet以及已有的图像分类算法具有更好的性能。

基于多尺度信息融合的图像识别改进算法

针对医学图像样本中存在噪声元素多、正负样本区分度不明显的问题,设计了一种递进式的多尺度信息融合机制,并结合自然图像分类中的注意力机制,对现有卷积神经网络结构进行改进,建立了端到端的图像自动识别模型。该模型对卷积神经网络不同层的输出选择相对应融合策略,对图像的不同层次的信息进行综合利用。采用改进后的模型对肺炎疾病正负样本X光片进行识别,准确率达到95.11%,查准率达到90.75%,查全率达到90.28%。设计了多组交叉对比实验,实验结果表明:改进后的模型在时间和空间复杂度上的优越性以及本文设计的多尺度信息融合机制对图像识别任务准确率的提升性更高。

基于多标签特征融合的实例分割网络框架

针对包裹中的限制品在X射线安检仪中摆放角度多样且易与其他物品重叠,导致现有基于X射线影像的限制品检测与分割方法效率低、漏检及误报现象严重的问题,本文提出了基于多标签特征融合的限制品实例分割网络框架。首先,优化数据集中的弱标签,突出感兴趣区域;然后将数据集中的图像加权融合,增强网络对重叠区域的识别能力;最后,采用混合任务级联(HTC)网络实现对限制品的精确分割。在一个含有16138张图像的X射线安检数据集上的实验结果表明,本文方法相比其他方法有较高的准确率。