基于三维各向异性卷积的肺结节良恶性分类

计算机断层扫描(Computer Tomography,CT)图像中肺结节的良恶性诊断对治疗方案的选择有非常重要的作用。目前基于深度学习的CT图像肺结节良恶性分类算法的一个研究趋势是充分利用CT图像的三维信息来设计网络,但由于不同CT设备采集的图像参数不同,不同样本的CT图像其层内及层间分辨率也多不相同,进行特征提取前需要进行额外的预处理工作。大多数文献的做法是采用插值的方法统一分辨率,然而这种方法会造成图像分辨率降低或计算量增加等问题。针对这一问题,提出了一种基于三维各向异性卷积的肺结节良恶性分类网络,通过将标准三维卷积拆分为k×k×1和1×1×k的两种三维各向异性卷积,避免了直接将三维卷积作用到原始CT图像上,从而避免了图像分辨率不同的影响。还提出了裁剪-非局部池化模块,通过中心裁剪和非局部池化操作,强化网络对结节区域的特征提取,同时使浅层网络也可以获取全局信息。在Lung Image Database Consortium and Image Database Resource Initiative(LIDC-IDRI)数据集上的实验表明,提出的三维各向异性卷积结合裁剪-非局部池化操作的神经网络能显著减少网络参数量,提升网络提取特征的能力,实现对肺结节良恶性的准确分类,分类的准确率、敏感性、特异性分别为91.53%、88.89%和93.27%,取得了比较好的分类性能。

基于精准信息采集与智能分析的新型消防机器人设计

针对现有消防机器人对火场内部环境识别模糊,信息采集能力差,智能分析能力弱,设计了一种新的消防机器人系统。首先,借助先进的双目立体视觉系统对火场现场的图像信息进行精确采集;随后,采用智能可视感知机器人系统对采集到的图像进行深度处理和分析;在此基础上,针对不同来源、不同格式的信息,运用多源异构信息集成技术进行有效集成,形成全方位、精确化的信息系统;最后,采用创新的各向异性卷积三维形貌指向性特征提取模型,将特定方向的关键信息精确地从三维形貌截面中提取出来,为火场分析提供强大的数据支撑。

基于卷积自适应平滑网络的高速公路交通状态估计方法

针对连续流场景的交通状态估计问题,提出了一种基于卷积神经网络的改进自适应平滑方法。该方法能够利用稀疏的固定断面观测数据,重构完整的交通状态。与传统的自适应平滑方法相比,所提出的方法不依赖于经验选择交通状态的传播特征,而是针对交通状态的传播特性,设计了3种各向异性卷积核,分别对应于交通波的前向传播、反向传播和双向传播特征,有效提取自由流和拥堵流状态的特征。基于交通流稳态基本关系和冲击波理论,进一步提出交通基本图(Fundamental Diagram, FD)权重算子,用于自适应加权不同的交通特征,优化交通状态的重构效果。不同于传统自适应平滑方法采用Sigmoid函数确定加权权重,所提出的算子在加权过程中明确包含了交通流波动的物理意义,并能直观反映交通流的一阶连续流特性。通过对高速公路真实轨迹数据集的验证,结果显示在所提出的深度学习估计框架下,各向异性卷积核能够在确保估计精度的同时,减少约1/3的待训练参数量,并使估计结果更符合交通流的物理特征。同时,所提方法能显著降低整体平均绝对误差(MAE)和平均相对百分比误差(MAPE),与传统自适应平滑方法相比,分别降低了22.3%和31.35%。特别是在拥堵状态下,所提方法能进一步减少估计误差,MAE和MAPE分别降低了31.1%和37.58%。此外,所提方法对微小交通扰动的敏感性较低,且随着估计点与观测断面距离的增加,误差增长速度更慢。在不同观测断面间距下的性能对比显示,所提方法在任意断面间距下均展现出最低的估计误差,并且随着断面间距的增加,误差增长速度最慢。这些结果从多个角度证明了所提方法的有效性和优越性。