全局信息提取与重建的遥感图像语义分割网络

为了将遥感场景图像更好地进行分割,供给下游任务使用,提出多尺度注意力提取与全局信息重建网络.编码器引入多尺度卷积注意力骨干到遥感深度学习语义分割模型中.多尺度卷积注意力能够捕获多尺度信息,给解码器提供更丰富的全局深浅层信息.在解码器,设计了全局多分支局部Transformer块.多尺度逐通道条带卷积重建多尺度空间上下文信息,弥补全局分支存在的空间信息割裂,与全局语义上下文信息共同重建全局信息分割图.解码器末端设计极化特征精炼头.通道上利用softmax和sigmoid组合,构建概率分布函数,拟合更好的输出分布,修复浅层中潜在的高分辨率信息损失,指导和融合深层信息,获得精细的空间纹理.实验结果表明,网络实现了很高的精确度,在ISPRS Vaihingen数据集上达到82.9%的平均交并比,在ISPRS Potsdam数据集上达到87.1%的平均交并比.

支管排烟作用下双层隧道顶棚温度分布试验研究

针对下层隧道采用支管排烟模式的双层盾构隧道,通过开展缩尺寸模型试验对烟气温度分布进行系统研究,探讨火源功率、排烟口开启方案(排烟口数量和距离)和排烟量等关键因素对火灾烟气温度分布的影响。结果表明:随着排烟口距离的增加,顶棚烟气温度逐渐升高;开启距离火源最近的两个排烟口时,顶棚烟气温度最低;随着排烟量的增大,在远离火源的区域顶棚烟气温度逐渐降低;火源上下游顶棚下方温度沿隧道纵向呈现指数衰减规律,在不同的排烟量和火源功率下,相对温度衰减ΔT_(x)/ΔT_(max)的值变化不大。通过对试验数据进行拟合分析,推导出支管排烟模式下,火源上下游顶棚烟气温度纵向衰减预测模型。

基于多分支空谱特征增强的高光谱图像分类

为了解决高光谱图像自身及分类过程中噪声干扰大、空间-光谱特征信息提取不足以及有限样本下分类性能不佳等问题,提出一种基于多分支空谱特征增强的高光谱图像分类模型SSFE-MBACNN。首先,利用多分支特征提取模块分别提取浅层空谱特征和深层空间特征信息,并引入注意力机制抑制噪声干扰。其次,设计一种改进多尺度空谱特征提取融合模块及结合双池化和空洞卷积的空间特征增强模块实现空谱特征增强,减少模型参数量和提高分类性能。最后,用全局平均池化层代替全连接层,进一步降低参数量,缓解模型过拟合问题。实验结果表明,在Indian Pines(10%训练样本)、Pavia University (5%训练样本)和Salinas(1%训练样本)数据集分别取得了0.990 7、0.997 5和0.994 7的总体分类精度。SSFE-MBACNN不仅能充分利用空谱特征信息,而且在有限样本下也取得了优秀的分类性能,明显高于其他对比方法。

基于多尺度特征融合的调制识别算法

针对缺失无线电信号先验信息、人工选取特征操作复杂以及低信噪比时识别率不高的问题,提出一种基于多尺度特征融合的残差收缩网络(MFRSN)调制识别算法。在包含PAM4、BPSK、QPSK、8PSK、CPFSK、GFSK、QAM16、QAM64、WBFM、AM-SSB和AM-DSB的11种调制类型数据集上进行的仿真实验结果表明,加入软阈值分支后,低信噪比信号平均识别准确率提高2.87%,同时多尺度特征融合方法对比其他网络结构有更好的类内识别效果。

基于多尺度特征记忆增强的异常行为检测算法

针对传统视频异常行为检测任务中存在目标对象空间尺寸变化差异大和对异常行为预测的泛化能力过强等问题,提出一种基于多尺度特征记忆增强的视频异常行为检测改进方法。通过多分支结构的空洞卷积组成的多尺度特征模块在高级特征图上提取不同尺度的特征信息,级联记忆增强模块存储正常行为特征以削弱泛化能力。在多尺度特征模块和记忆增强模块的协同工作下能够有效收集和记忆正常行为场景中的多尺度特征信息。以实验分析验证该方法的有效性。

基于局部-全局特征交互的双分支结肠息肉分割网络

大小、形状、颜色、纹理的多变性以及肠壁分界模糊给结肠息肉的分割带来巨大挑战.针对单分支网络连续采样操作造成部分细节信息丢失以及不同层次特征信息无法交互进而导致分割效果不佳的问题,提出一种基于局部-全局特征交互的双分支结肠息肉分割网络.网络采用CNN与Transformer双分支结构,逐层捕获息肉局部细节特征与全局语义特征;为充分利用不同层级、不同尺度特征信息的互补性,利用深层语义特征对浅层细节特征的引导与增强,设计特征协同交互模块,动态感知并聚合跨层次特征交互信息;为强化病变区域特征,抑制背景噪声,设计特征增强模块,应用空间与通道注意力机制强化息肉病变区域特征,同时采用结合注意力门的跳跃连接机制进一步突出边界信息,提高边缘区域的分割精度.实验表明,所提出网络在多个息肉分割数据集上取得的mDice与mIoU分数均优于基线网络,具有更高的分割准确率和稳定性.

基于多路光流信息的微光视频增强算法

图像和视频是记录真实场景信息的重要媒介,它们包含丰富而详细的视觉内容,可以开发各种智能系统来执行各种任务。特别是对于低照度条件下的视频,提升其清晰度和细节可以更好地表现和还原真实场景。针对在夜间低照度环境条件下对周围环境感知的需求,提出一种基于多路光流信息时间一致性的微光视频增强算法。通过引入预测的光流与真实的光流信息,构建三分支孪生网络对微光视频进行增强;同时针对微光视频存在的低信噪比以及模糊化问题,设计一种基于双尺度注意力机制的微光视频去噪模块(CA-Swin模块),以提升网络的去噪性能。通过在DAVIS数据集上进行对比实验和评估,得出所提网络在增强微光视频方面更高效,鲁棒性显著;且该策略还具有通用性,可以直接扩展到大规模数据集。

某三级甲等公立医院基层党支部考核评价探索

目的以党内法规为基础,优化某医院党支部工作评价指标体系,以多样化考核方法,使支部建设与医疗教学科研业务发展融合。方法采取文献检索及文本分析方法,搜索相关文献,以质性访谈及方便抽样方式,向医院的各层各级党代表发放问卷25份,回收有效问卷25份。运用Likert 5级评分法对遴选的74项考核指标按重要性进行打分评价。结果建立了一套包含5个一级指标、14个二级指标、53个三级指标的综合考核评价体系。结论现有的党支部综合量化考核体系得以优化,多样化的考评方法促使党支部建设的目标更加明确、清晰、规范,促进了引导激励作用。

基于注意力机制及多尺度特征融合的图像去雨

针对去除不同雨纹的同时恢复图像背景细节的问题,提出一种基于注意力机制及多尺度特征融合的图像去雨方法。该网络采用双分支结构,分别用于雨纹去除和背景恢复。雨纹提取模块采用跨空间学习的多尺度注意力机制,通过多尺度上下文信息捕捉、均值计算、权重计算和整体信息综合,帮助改善雨纹去除任务中的图像质量,提高去雨效果。背景恢复模块包括多尺度特征提取部分和特征融合部分,采用多个扩张卷积层,每个卷积层具有不同的扩张因子,以扩大感受野,提取多尺度的图像背景特征;使用大核卷积对提取的多尺度特征信息进行融合调整,从而更准确地进行背景恢复。在多个公开数据集上的实验结果表明:所提方法能够有效去除真实雨图像场景中的雨纹,同时可以更好地恢复图像背景的细节信息。

基于多尺度分支融合的智能故障诊断方法

轴承作为旋转机械的关键零部件,其健康状态检测对于保证工业生产安全具有重要的作用,基于人工分析的方法已经无法满足当前大型复杂设备的故障诊断需求。随着人工智能的发展,以卷积神经网络为代表的深度学习模型逐渐成为智能故障诊断领域的主流方法,然而大多数智能轴承故障诊断模型仅仅采用单分支和单尺度的故障特征,严重限制了特征的丰富度和诊断精度。本文提出一种基于多尺度分支融合的智能故障诊断方法,采用多个并行的卷积分支提取故障信号的多尺度特征;通过特征融合将这些多尺度特征进行融合互补;最后,将融合互补后的特征进行故障诊断。实验结果表明,本文的方法可以有效地提高故障诊断的精度,对于工业设备的故障预测与健康管理具有重要的意义。

两性别分枝交互粒子系统以及相应的极限方程

我们通过由泊松随机测度驱动的随机方程构造了一类两性别分枝交互粒子系统,系统中的粒子可以随机地与异性进行交配,其后产生的后代个数也是随机的,后代个数的分布由一个与粒子特征和整个系统有关的母函数决定.我们证明了在适当的条件下,这个分枝交互粒子系统的重整化极限是一个确定的测度值函数,它满足某个特定的非线性常微分方程.最后我们得到了一个非线性常微分方程组来刻画各性别所属的亚种群的特征分布.

基于RFB和超网络的跨尺度多层次真实失真图像质量评价方法

为了能在真实失真图像质量领域实现高效的跨尺度学习,提出一种双分支特征提取方法。首先,利用对比学习方法自监督地提取跨尺度、跨颜色空间的图像内容感知特征;随后,采用基于扩张感受野和超网络的策略,将多层次特征信息与跨尺度信息进行循环交互融合,以获取更贴近人类感知的图像质量特征。基于公开真实失真数据库的实验结果表明,所提算法在真实失真图像质量评价上取得了优越性能,而且,通过两个尺度的实验结果展示了该算法实现了更高效的跨尺度学习,从而为图像多尺度深度网络的应用提供了较好基础。

基于改进UNet的视网膜血管分割算法

针对视网膜血管结构复杂、图像对比度低、细节区域分割不精准问题,提出一种基于改进UNet的分割算法.首先,结合Diverse Branch Block多分支、多尺度思想,在编解码路径上增加DBB-ConvNet模块,该模块组合了不同尺度、不同复杂度的分支来丰富特征空间的多样性,进而提升网络的特征学习和表达能力;其次,为加强特征重用,避免冗余特征影响,在网络底端加入Dense-net密集连接;最后,为进一步提升分割效果,在跳跃连接用BConvLSTM结合非线性函数处理编解码路径间的特征映射,替换原始的简单串联.该算法在公开数据集DRIVE和CHASE_(-)DB1上的实验结果表明,对比其他算法,本文所提出的算法在视觉和各项客观评价指标上均有较好的分割效果.与U-Net算法相比,在两种数据集上本文所提算法在精确率、F1值上分别提升了1.97%、2.04%与2.05%、5.86%.

技术与人力网络结构对银行绩效的影响——基于银行网点空间竞争的全景研究

自2015年以来,随着互联网金融的冲击,银行面临着网点转型或裁撤的巨大压力.新增或裁撤网点对银行绩效会产生什么样的影响?应该新增或裁撤什么类型的网点?这是银行管理者急需解决的问题.为了帮助银行更好地优化其零售网络,本研究运用2015年—2018年的243家银行40余万的银行网点数据和银行周边的开源全景数据,使用岭回归面板模型和基于Hausedorff距离的SAR空间面板模型分析了银行零售网络规模和网点负载对绩效的影响.研究发现:技术型零售网络规模和人力型零售网络规模对银行绩效有显著的正U型影响.并且进一步研究发现,网点负载能调节技术型零售网络规模和人力型零售网络规模对银行绩效的影响,具体地,技术型网点和人力型网点的负载增大时能够增强技术型零售网络规模对银行绩效的正U型影响,但同时也会削弱人力型零售网络规模对银行绩效的正U型影响.本文的研究结论不仅丰富了银行业零售网络空间竞争的研究,同时也为营销学者和管理人员进行网络布局提供了启示.

高分辨率皮肤黑色素瘤图像的两阶段式分割算法

皮肤黑色素瘤切片图像分辨率过大且病理特征表现形式多样,现有很多分割算法结果不精准同时消耗巨大显卡内存。针对该问题,提出一种低显存消耗的两阶段式精细分割算法。该算法第一阶段采用全局分割网络对以ResNet50为骨干的特征金字塔结构进行改进,图像特征提取过程中使用全局金字塔平均池化模块增强图像全局语义信息的提取,并采用多尺度特征融合分支将高层特征图的语义信息融入到低层特征图中,增强低层特征图语义信息的表征能力。第二阶段采用一种全局到局部的精细分割策略,以全局分割结果为基准对图像进行剪裁,得到一个较小的候选区域,将其输入到局部分割网络中,局部分割网络仅处理候选区域内的像素并与全局网络对应层共享图像特征,精细分割结果的同时减少显存的消耗。在经典数据集ISIC2018上的实验结果显示,该算法的准确度和IOU分别达到93.5%和82.1%,相较于对比的经典分割算法精度最高且占用的显卡内存减少了22.8%~36.9%,能有效适用于高分辨率皮肤病灶图像的分割任务。

LMD-UNet网络在脑肿瘤多模态MRI图像分割中的应用

UNet网络中编解码器对应的特征图之间存在语义鸿沟,其双卷积层无法学习多尺度信息,造成部分特征信息丢失,影响MRI图像分割效果。针对这一缺陷,本研究提出一种新的图像分割网络局部残差融合多尺度双分支网络LMD-UNet。在编码流程,网络采用局部特征残差融合密集块和多尺度卷积模块,扩大影像感受野并优化底层视觉特征的传播;在解码流程,网络采用双分支卷积的方式生成新的高级语义特征,以此来重建编码路径中损失的信息。利用公开脑肿瘤数据集BraTs的335例病例做分割实验,并将分割结果与现阶段主流分割网络UNet进行对比。结果显示,LMD-UNet模型的Precision、Dice、95%HD、Recall等4项客观评价指标分别达到0.933、0.921、0.702和0.966,相较于UNet,对应指标分别提升了6.3%、5.7%、1.8%和6.1%。研究表明,LMD-UNet能够实现更精细的脑肿瘤图像分割。此外,所提出的方法对于细节部分边缘轮廓的分割也有较好的效果,能够为脑肿瘤诊断和手术提供保障。

多尺度注意力交互式图像去噪网络

图像去噪中,针对去噪网络提取图像细节信息不全面和特征利用率低的问题,提出一种基于深度学习的多尺度注意力交互式图像去噪网络(MAINet)。首先,对于浅层像素级特征采用多尺度特征提取块获取丰富的上下文信息和图像纹理特征,以保证图像信息的完整性;然后,引入双路通道注意力机制指导网络获取更具判别性的特征信息,抑制不期望的噪声,从而进一步优化特征信息;最后,利用分类密集残差块的密集连接和成对卷积操作增强模型的交互性,对全局多层次特征进行联合学习,提取更高质量的语义级特征,以提升去噪网络的性能。实验结果表明,在定量和定性评估方面,所提出的去噪网络在合成噪声和真实噪声两种数据集上的去噪效果都有所提升。

基于时序多尺度互补特征的视频行人重识别

视频行人重识别在监控场景中起着非常重要的作用.但是,大多数现有方法没有充分利用行人视频序列的时空信息.具体来说,这些方法以相同的分辨率和网络结构处理每一帧图像,造成连续帧特征的高度相似.此外,现有方法通常通过引入各种复杂的操作提高精度,过多的计算开销使其不利于真实场景的部署.针对上述问题,本文提出了一个时序多尺度互补网络,旨在高效地为视频的连续帧提取互补的特征.具体来说,时序多尺度互补网络包含多个具有不同输入分辨率的分支.其中,高分辨率分支处理原始分辨率帧,用于保留行人的细节线索;低分辨率分支处理以不同降采样率得到的低分辨率帧,用于捕捉更全局的行人信息.通过将连续帧输入到不同分支中,连续帧能关注不同粒度的空间区域,生成互补的特征.进一步,设计了一个多分支批量归一化层,保证了训练时分支之间的互补性.最后,提出一个跨分支融合模块,将低分辨率分支的全局信息逐步传播到高分辨分支中,得到一个融合了多尺度全局粗粒度和局部细粒度互补信息的特征.在iLIDS-VID,MARS和LS-VID三个数据集上的实验显示,本文提出的方法达到了比目前最好方法更好的性能,例如,在LS-VID上提升了4.5%mAP和3.1%top-1精度,证明了该方法的有效性.此外,通过降低输入帧的分辨率和使用更小的网络处理低分辨率帧,本文方法大幅度降低了计算开销,仅需要大多数现有方法约35%的计算开销.

面向港湾机坪的停机位指派优化

停机位指派问题是机场运营管理的核心问题。现有的停机位指派问题研究集中在提高停机位的利用效率上,而忽略了停机坪的运行安全。针对这一问题,本文以最大化近机位利用率和最小化鲁棒性损失为目标,提出一个考虑港湾安全约束的停机位指派模型;提出一种可精确求解面向港湾机坪的停机位指派问题的分支定价算法;利用机场实际数据验证提出的模型和算法。实验结果表明,在小、中、大规模算例中分支定价的最优解比CPLEX分别改进了0.3%、17.3%、26.7%,在中大规模算例中有明显的优势。在小、中、大规模算例中,本文的设计能分别预先避免27.16%、16.35%、11.01%的航空器发生港湾冲突。在提高近机位利用率和指派计划鲁棒性的同时,提高了机坪的安全性。

双端输入型嵌套融合多尺度信息的织物瑕疵检测

针对织物瑕疵检测中复杂纹理区域误判和边缘检测模糊问题,提出一种双端输入型网络架构WNet,使用两个骨干分支分别提取多尺度局部和全局特征,依靠自注意力机制的全局建模能力,在卷积深层网络中补充全局信息,减少深层网络中纹理特征的冗余.为了减少深层网络中局部细节信息的丢失,提出一种轻量级双分支池化金字塔,将浅层多尺度细节特征引入深层模块.搭建多尺度嵌套双分支模块,将各级尺度下不同感受野的特征信息进行融合,该模块更加关注瑕疵特征,可以生成较精确的预测图.实验证明,提出的方法在ZJU-Leaper的四个数据集上的综合评价指标较优,尤其是fmeasure、阳性预测率和阴性预测率较高.