Dual-Path Vision Transformer用于急性缺血性脑卒中辅助诊断

急性缺血性脑卒中是由于脑组织血液供应障碍导致的脑功能障碍,数字减影脑血管造影(DSA)是诊断脑血管疾病的金标准。基于患者的正面和侧面DSA图像,对急性缺血性脑卒中的治疗效果进行分级评估,构建基于Vision Transformer的双路径图像分类智能模型DPVF。为了提高辅助诊断速度,基于EdgeViT的轻量化设计思想进行了模型的构建;为了使模型保持轻量化的同时具有较高的精度,提出空间-通道自注意力模块,促进Transformer模型捕获更全面的特征信息,提高模型的表达能力;此外,对于DPVF的两分支的特征融合,构建交叉注意力模块对两分支输出进行交叉融合,促使模型提取更丰富的特征,从而提高模型表现。实验结果显示DPVF在测试集上的准确率达98.5%,满足实际需求。

An Efficient Combinatorial-Probabilistic Dual-Fusion Modification of Bernstein’s Polynomial Approximation Operator

The celebrated Weierstrass Approximation Theorem (1885) heralded intermittent interest in polynomial approximation, which continues unabated even as of today. The great Russian mathematician Bernstein, in 1912, not only provided an interesting proof of the Weierstrass’ theorem, but also displayed a sequence of the polynomials which approximate the given function . An efficient ‘Combinatorial-Probabilistic Dual-Fusion’ version of the modification of Bernstein’s Polynomial Operator is proposed. The potential of the aforesaid improvement is tried to be brought forth and illustrated through an empirical study, for which the function is assumed to be known in the sense of simulation.

Feature-Based Fusion of Dual Band Infrared Image Using Multiple Pulse Coupled Neural Network

To improve the quality of the infrared image and enhance the information of the object,a dual band infrared image fusion method based on feature extraction and a novel multiple pulse coupled neural network(multi-PCNN)is proposed.In this multi-PCNN fusion scheme,the auxiliary PCNN which captures the characteristics of feature image extracting from the infrared image is used to modulate the main PCNN,whose input could be original infrared image.Meanwhile,to make the PCNN fusion effect consistent with the human vision system,Laplacian energy is adopted to obtain the value of adaptive linking strength in PCNN.After that,the original dual band infrared images are reconstructed by using a weight fusion rule with the fire mapping images generated by the main PCNNs to obtain the fused image.Compared to wavelet transforms,Laplacian pyramids and traditional multi-PCNNs,fusion images based on our method have more information,rich details and clear edges.

Application of Dual-Energy CT Non-Linear Fusion Technology in Improving CTA Image Quality of Renal Cancer

Objective: To explore the significance of dual-energy CT non-linear fusion technique in improving the quality of CTA image of renal cancer. Methods: The CTA images of 100 patients who had been confirmed by pathology as renal cancer were collected and were randomly divided into experimental group and control group with 50 cases respectively. The two groups of patients were treated with iodine concentration of 300 mg/ml and 350 mg/ml non-ionic contrast agent, with a dosage of 1.5 ml/kg and an injection rate of 4 ml/s. The contrast agent intelligently tracking method was adopted bolus. The control group used the conventional CTA scanning, with a reference tube voltage/tube current of 100 kv/ref150 mas. The experimental group adopted the double energy scanning, with ball tube A and ball tube B. The reference tube voltage/tube current was 100 kv/ref250 mas and sn150 kv/ref125 mas respectively. The images of the experimental group were non-linear fused to obtain the Mono+ 55 kev single-energy images. The CT value, SNR contrast ratio of the abdominal aorta, renal artery and tumor tissue of the experimental group images and the 100 KV images and the Mono+ 55 kev images of the control group were compared. The objective evaluation and subjective evaluation of the image quality of the three groups of images was performed. Results: The results showed that the 100 kV images of the experimental group were statistically different from those of the control group (P05) in CT value, SNR and CNR (P 0.05). And there was no statistically significant difference between the non-linear fusion single-energy Mono+ 55 kev images and the control group images in CT value, SNR and CNR (P > 0.05). The subjective evaluation of image quality showed that there was no significant difference between Mono+ 55 kev images and control group images, and the quality of Mono+ 55 kev images was higher than that of experimental group 100 kV images. Conclusion: The dual-energy CT non-linear fusion technique can improve the quality of CTA image in patients with renal cancer, and it is possible to obtain high quality CTA images with low iodine concentration contrast agent.

Neutronics Optimization of LiPb-He Dual-Cooled Fuel Breeding Blanket for the Fusion-Driven sub-critical System

The concept of the liquid Li17Pb83 and Helium gas dual-cooled Fuel Breeding Blanket (FBB) for the Fusion-Driven sub-critical System (FDS) is presented and analyzed. Taking self-sustaining tritium (TBR >1.05) and annual output of 100 kg or more fissile 239Pu (FBR > 0.238) as objective parameters, and based on the three-dimensional Monte Carlo neutron-photon transport code MCNP/4A, a neutronics-optimizated calculation of different cases was carried out and the concept is proved feasible. In addition, the total breeding ratio ( BR = TBR + FBR ) is listed corresponding to different cases.

双通道特征融合的真实场景点云语义分割方法

真实场景点云不仅具有点云的空间几何信息,还具有三维物体的颜色信息,现有的网络无法有效利用真实场景的局部特征以及空间几何特征信息,因此提出了一种双通道特征融合的真实场景点云语义分割方法DCFNet(dual-channel feature fusion of real scene for point cloud semantic segmentation)可用于不同场景下的室内外场景语义分割。更具体地说,为了解决不能充分提取真实场景点云颜色信息的问题,该方法采用上下两个输入通道,通道均采用相同的特征提取网络结构,其中上通道的输入是完整RGB颜色和点云坐标信息,该通道主要关注于复杂物体对象场景特征,下通道仅输入点云坐标信息,该通道主要关注于点云的空间几何特征;在每个通道中为了更好地提取局部与全局信息,改善网络性能,引入了层间融合模块和Transformer通道特征扩充模块;同时,针对现有的三维点云语义分割方法缺乏关注局部特征与全局特征的联系,导致对复杂场景的分割效果不佳的问题,对上下两个通道所提取的特征通过DCFFS(dual-channel feature fusion segmentation)模块进行融合,并对真实场景进行语义分割。对室内复杂场景和大规模室内外场景点云分割基准进行了实验,实验结果表明,提出的DCFNet分割方法在S3DIS Area5室内场景数据集以及STPLS3D室外场景数据集上,平均交并比(MIOU)分别达到71.18%和48.87%,平均准确率(MACC)和整体准确率(OACC)分别达到77.01%与86.91%,实现了真实场景的高精度点云语义分割。

基于通道注意特征融合的轴承故障诊断方法

针对传统故障诊断方法通常依赖单域信息输入,导致信号中的部分信息丢失或信息不完整使用的问题,提出了一种基于通道注意特征融合的轴承故障诊断方法。首先,将原始信号通过快速傅里叶变换(FFT)和连续小波变换(CWT)处理得到频域和时频图。然后,将来自不同域的2个样本输入双流Ghost Module(GM)神经网络故障诊断模型中提取频域和时频域特征,并结合通道注意力机制有效融合频域和时频域的重要特征,从而获得更丰富的故障诊断信息,实现对故障信号的准确分类。最后,利用美国凯斯西储大学、中国江南大学和加拿大渥太华大学的轴承故障数据集进行实验验证。结果表明,与现行主流模型相比,基于通道注意特征融合的轴承故障诊断方法在3个数据集上的分类故障诊断准确率分别达到99.78%、98.50%和97.65%,证明该方法具有良好的诊断效果。

基于依赖类型剪枝的双特征自适应融合网络用于方面级情感分析

现有的模型将基于依赖树的图神经网络用于方面级情感分析,一定程度上提升了模型的分类性能。然而,由于依赖解析技术的限制,语法解析结果的不精确导致依赖树存在大量噪声,使得模型的性能提升有限。此外,一些句子本身并不符合标准的句法结构。以往的研究以同样的置信度利用句法信息和语义信息,没有充分考虑它们对于确定方面词极性的贡献的不同,导致模型在相应的数据集上性能较差。为了克服这些困难,文中提出了一种基于依赖类型剪枝的双特征自适应融合网络。具体来说,该模型使用一种新型的混合方法,命名为依赖关系类型剪枝和邻接矩阵平滑,来缓解句法解析产生的噪声。此外,该模型通过双特征自适应融合模块充分考虑句子的句法信息的可用程度,以一种更灵活的方式将句法特征和语义特征结合起来用于方面级情感分析。在5个公开可用的数据集上进行广泛的实验,结果证明了该方法明显优于基线模型。

多源数据融合的深埋隧道岩爆预测方法

为提高隧道设计阶段未开挖区域的岩爆预测准确性,提出了一种多源数据融合的隧道岩爆预测方法.综合隧道勘察和施工阶段的不同地质信息,采用基于证据关联系数的加权融合技术,构建了隧道精细化三维动态地质模型.建立了基于强度理论的岩爆可能性判定方法和基于能量理论的岩爆烈度预测方法,通过Hoek-Brown强度准则判断围岩是否发生岩爆,利用储能极限阈值和能量释放指数划分岩爆烈度,并将其应用于四川某隧道工程中.结果表明,所提方法可以实现隧道掌子面前方30 m范围内的岩爆精准预测,预测结果与隧道开挖实际岩爆的吻合率为95.8%.因此,该预测方法能够在隧道施工前预判岩爆烈度,为隧道岩爆防治提供指导.

基于并行反向投影的图像超分辨率

基于反向投影的残差特征提取与融合,可有效提升深度网络的特征提取能力,从而有益于改善图像的超分辨率重构性能.在此基础上提出了一种改进的采用并行反向投影策略的图像超分辨率深度网络,通过并行增强处于不同频段的高频特征,得到超分辨率性能的进一步提升.具体进行浅层特征提取后,网络经过多级的双路并行的反向投影特征增强模块.每一级模块中包含两个通路,分别采用顺序相反的上下采样,可同时得到处于不同频段的残差特征信息.通过对多级残差特征的融合,图像的高频特征得到不断的增强.同时网络引入了多尺度特征提取与通道注意力机制,以改进特征表达和学习能力.在多个公开的数据集上的大量实验结果表明,该方法可以有效提升超分辨率性能,并且在减少模型复杂度方面有一定的成效.

数字经济发展与“双链”融合驱动模式转换

推动创新链与产业链融合是促进产业转型升级、经济高质量发展的重要实施路径,现阶段我国亟须从产业链“拉动”创新链转变为创新链“推动”产业链的融合模式,而数字经济的快速发展为其提供了新的思路。选取2013—2021年省级面板数据,分别构建衡量数字经济发展和创新链与产业链融合水平的测度指标体系,并建立相应模型进行实证分析,结果发现:数字经济是促进创新链与产业链融合发展的有效手段,并且数字经济发展可以显著增强创新链“推力”,从而推动我国“双链”融合模式转变;分区域来看,数字经济增强东部地区创新链“推力”和中部地区产业链“拉力”,展现出良好的促进“双链”融合作用,但是在西部地区由于资源挤占问题会产生负面影响。研究有助于在数字经济时代下厘清产业演进发展规律,为相关政策制定提供一定的启示。

多路径生成对抗网络的红外与可见光图像融合

生成对抗网络在红外与可见光图像融合领域受到广泛关注,但单路径进行融合容易丢失浅层信息、分支路特征提取融合能力有限。提出一种基于多路径生成对抗网络的红外与可见光图像融合方法。在生成器端,利用源图像与导向滤波结果构建3条输入路径提取更多源图像特征信息,以获得细节更丰富的融合图像;然后,卷积层加入掩码注意力机制模块,提升显著信息的提取效率,引入密集连接和残差连接,在提升特征传递效率的同时可获取更多源图像重要特征信息。在鉴别器端,采用双鉴别器估计红外与可见光图像的区域分布,避免单鉴别器网络丢失对比度信息的模态失衡问题。在TNO数据集上进行了实验,实验结果表明,所提算法在5个客观评估指标上4项取得了最好结果,优于多数主流算法,在主观评估方面,所提算法保留了更多的纹理细节信息,具有更好的视觉效果。

基于双通道时频卷积神经网络的故障电弧检测

交流故障电弧产生的高温极易点燃周围的可燃材料,是引发电线火灾的重要原因之一.准确检测不同类型的故障电弧对于预防重大火灾事故的发生具有重要意义.然而故障电弧的复杂性与隐蔽性给检测方法带来了极大挑战.基于阈值和电流特征提取的技术难以全面概括故障电弧的特征,而大多数基于深度神经网络的方法直接对电流信号进行特征学习,忽略了信号中的频率信息,从而导致泛化能力差的问题.对此,本文提出了基于时频特征学习的双通道时频卷积神经网络的故障电弧识别方法,设计了可学习的自适应离散小波变换,用于提取一维信号中的多尺度特征,同时通过短时傅里叶变换获取二维的时频图像特征,分别在这2种特征信号上进行卷积,最后将2个通道中学习的特征进行融合,用于分类预测.通过对故障电弧发生器采集到的3种工况下电弧电流信号进行性能评估,验证所提方法的有效性.实验结果表明,该方法与其他同类方法相比具有更高的电弧识别准确率,达到了97.91%.

基于阅读技巧识别和双通道融合机制的机器阅读理解方法

机器阅读理解任务旨在要求系统对给定文章进行理解,然后对给定问题进行回答.先前的工作重点聚焦在问题和文章间的交互信息,忽略了对问题进行更加细粒度的分析(如问题所考察的阅读技巧是什么?).受先前研究的启发,人类对于问题的理解是一个多维度的过程.首先,人类需要理解问题的上下文信息;然后,针对不同类型问题,识别其需要使用的阅读技巧;最后,通过与文章交互回答出问题答案.针对这些问题,提出一种基于阅读技巧识别和双通道融合的机器阅读理解方法,对问题进行更加细致的分析,从而提高模型回答问题的准确性.阅读技巧识别器通过对比学习的方法,能够显式地捕获阅读技巧的语义信息.双通道融合机制将问题与文章的交互信息和阅读技巧的语义信息进行深层次的融合,从而达到辅助系统理解问题和文章的目的.为了验证该模型的效果,在FairytaleQA数据集上进行实验,实验结果表明,该方法实现了在机器阅读理解任务和阅读技巧识别任务上的最好效果.

基于双参考帧的多源着色结果融合的视频着色方法

对黑白视频着色时,为了更好地利用参考帧信息,提出一种基于双参考帧的多源着色结果融合的着色方法.首先,采用硬注意力融合子模块融合双参考帧提供的颜色信息,以防止双帧语义匹配模块着色时不合理参考信息导致的颜色模糊问题.然后,使用多源着色结果融合模块融合通过双帧光流传播模块、双帧语义匹配模块以及遮挡信息得到的着色结果,进而产生更优质的着色结果.实验结果表明,该方法在Davis30测试集上的峰值信噪比(PSNR)、结构相似性(SSIM)和颜色分布一致性指数(CDC)分别为37.36 dB、0.980 5、0.003 748,说明该方法能够通过多种融合方式充分利用双参考帧的信息为灰度帧着色,并生成美观且具有较好时间一致性的着色结果.

基于双通道交叉融合的卷积神经网络图像识别方法研究

针对单通道卷积神经网络的特征提取不够充分、深度网络存在训练困难的问题,提出一种双通道交叉融合的卷积神经网络模型。该模型包括三个特征提取阶段,每个阶段分两条通道进行图像卷积,当两条通道的卷积结束后进行特征交叉融合,经过三次交叉融合后输入到全局平均池化层以及全连接层中得到分类结果。将该模型应用于Cifar10、Cifar100和Fashion-MNIST的图像分类任务以验证模型的有效性。结果表明,双通道交叉融合模型可以在当前支持GPU加速的主流笔记本电脑上进行训练,在同样规模的数据集上具有比同类其他模型更好的分类性能。

面向小样本抽取式问答的多标签语义校准方法

小样本抽取式问答任务旨在利用文章给定的上下文片段,抽取出真实的答案片段。其基线模型采用的方法只针对跨度进行学习,缺乏对全局语义信息的利用,在含有多组不同重复跨度的实例中存在着理解偏差等问题。为了解决上述问题,该文利用不同层级的语义提出了一种面向小样本抽取式问答任务的多标签语义校准方法。采用包含全局语义信息的头标签和基线模型中的特殊字符构成多标签进行语义融合,并利用语义融合门来控制全局信息流的引入,将全局语义信息融合到特殊字符的语义信息中。然后,利用语义筛选门对新融入的全局语义信息和该特殊字符的原有语义信息进行保留与更替,实现对标签偏差语义的校准。在8个小样本抽取式问答数据集中的56组实验结果表明:该方法在评价指标F1值上均明显优于基线模型,证明了所提方法的有效性和先进性。

基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks,DAMSCN)与改进的双向门控循环单元(bidirectional gated recurrent unit,BiGRU)组成的故障诊断模型DAMSCN-BiGRU。首先,多尺度特征融合模块使用不同大小的卷积核,获得多种感受野,从而提取到轴承原始振动信号的多尺度特征信息,并根据重要性对其进行自适应融合,然后利用通道注意力和空间注意力组成的双注意力模块(dual attention module,DAM)对多尺度特征进行重新标定,分配注意力权重,削弱融合特征中的冗余特征;然后,增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征,以提高轴承故障诊断的性能;最后,通过Softmax层完成对不同故障的分类。试验结果表明,与其他智能诊断模型相比,DAMSCN-BiGRU在变工况环境下,平均诊断精度达到98.2%,在强噪声背景下仍然有着85.3%的准确率,且在不同程度的噪声强度下效果均优于其他常用模型,有利于促进滚动轴承的智能故障诊断研究和实际应用。

基于双路并行卷积信息融合的刀具磨损识别

针对机械加工现场环境复杂多变,使用单一信号进行刀具磨损识别难以获取全面的刀具磨损特征信息的问题,提出一种同时利用声音信号和工件表面图像信息结合深度学习网络识别刀具磨损状态的方法。首先采集铣削加工过程中声音信号和工件表面图像数据,然后使用双路并行卷积神经网络对声音信号和工件表面图像进行特征提取及融合,最后进行刀具磨损识别。结果表明,和单一信号识别结果相比,采用信息融合方法能获取更全面的刀具磨损特征信息,有利于增强刀具磨损识别效果,且刀具磨损识别准确率和F1-score均在95%以上,能有效识别刀具磨损状况。

基于层内双分支互增强注意力的伪装目标检测算法

伪装目标检测的任务是找到因颜色、纹理等相似特征而与背景混合的目标,而现有方法没有充分考虑边缘特征对检测性能的影响,存在漏检、错分等情况,检测精度仍需提升。为了克服以上不足,提出一种基于层内双分支相互增强注意力的伪装目标检测方法,该方法在现有多监督机制的基础上,引入对象边缘的预测模块,使模型的检测性能得到提升。为增强模型对物体的空间定位和识别能力,以Swin Transformer模型作为主干网络,设计了一种新型的层内双分支相互增强注意力模块,该模块包含双注意力增强模块和简单互增强模块。在CAMO、COD10K、NC4K等3个主流基准数据集上开展实验评估模型的性能,并将其与现有18种典型算法进行比较。结果表明:该模型具有优越的性能,在S_(α)、αE、ωF、MAE 4个性能指标上显著地优于现有18种先进的方法。