基于深度学习下小学低年级语文写话教学实践

在小学低年级语文教学中,写话教学是不可或缺的内容,教师要在写话教学中明确教学目标,以丰富的教学方式开展教学,并将教学内容和实际生活相结合,让学生的丰富的生活内容和写话学习相结合,并给与及时的鼓励和评价,才能让小学低年级学生在写话学习中做到想写、爱写、会写,从而为小学生今后的学习奠定良好的基础。本文基于深度学习下小学低年级语文写话教学中存在的问题及教学实践策略进行了分析,望能有效的提升小学低年级语文写话教学质量的同时提升学生的写话学习效率。

基于深度学习的超声图像评估对胎儿头围和双顶径的检测价值

目的:研究基于深度学习的超声图像评估对胎儿头围和双顶径的检测价值。方法:选取2020年5月—2021年12月深圳市龙岗区第五人民医院妇产科室超声存储站中的中晚孕期超声图像300张实施数据集标注,其中200张作为训练集,100张作为测试集,分析胎儿超声的数据集标注结果及不同激活函数下超声图像评估结果,比较基于深度学习的超声图像评估与人工测量的检测结果。结果:采用LReLU激活函数产生的Dice明显得到提升,达到97.35%,且对双顶径(BPD)及头围(HC)的预测价值更加精准。基于深度学习的超声图像评估检测孕中晚期BPD及HC的结果与人工测量比较,差异均无统计学意义(P>0.05)。结论:基于深度学习的超声图像评估对胎儿头围和双顶径的检测价值较高,且与人工检测具有较好的一致性,值得在临床检测过程中应用推广。

基于深度学习人工智能辅助诊断糖尿病视网膜病变研究现状及展望

基于深度学习的人工智能(AI)技术的快速进展使得眼科疾病的AI影像分析成为可能,近年来相关的基础研究和临床应用研究取得了令人瞩目的进步。利用彩色眼底照片表现的信息,AI可对糖尿病视网膜病变(DR)进行自动分析和辅助诊断。目前相较于其他眼科疾病,AI技术在DR辅助诊断中的应用研究进展更快,技术逐渐成熟。AI辅助诊断速度快、准确率高,可节省医务人员的劳动力资源,在DR辅助筛查和分级应用方面展现出很大的潜力。AI是近年来发展的一种基于深度学习的智能系统,该研究领域涉及多学科知识和技术的深度融合,需要多学科技术资源的配合和共享,目前仍然存在数据标准化、临床验证不足及产品待落地等问题。尽管AI辅助的DR筛查研究机遇与挑战并存,但随着研究的逐渐深入和相关交叉学科研究者的共同努力,AI辅助诊断DR研究在眼科临床的实践有望取得更大的进步。

基于深度学习的铁路供电设备负荷数据预测

提出一种基于长短时记忆网络(LSTM)的铁路供电设备负荷预测方法,可直接从历史及当前数据中识别供电设备变化特征,进而对供电设备负荷做出准确预测。

基于YOLOv5的铁路接触网异物检测模型初步研究

接触网上附着的异物是影响铁路列车运行安全的一大隐患,在开行列车前需要检查接触网上是否有异物附着。目前,接触网异物检测主要依靠人工巡检,工作效率低,人力物力消耗大。文章通过建模实验,初步探讨利用基于深度学习的目标检测技术实现铁路接触网异物检测的可行性;构建了3种接触网异物检测模型:YOLO(You Only Look Once)v5模型、YOLOv5+坐标注意力(CA,Coordinate Attention)改进模型和YOLOv5+ConvNext Block改进模型,利用包含鸟窝和轻质异物两种常见异物的接触网图像数据集,对这3种模型进行实验分析。实验结果表明,相比YOLOv5算法,对于检测鸟窝和轻质异物两种常见的接触网异物,YOLOv5+CA改进模型和YOLOv5+ConvNext Block改进模型具有更好的效果,且YOLOv5+ConvNext Block改进模型检测小尺寸目标的能力更强。

基于深度学习X线检查模型对踝关节骨折自动快速进行分型的相关研究

分析基于深度学习X线检查模型对踝关节骨折自动快速进行分型的效果。方法从医院收治的踝关节骨折患者中选择该研究对象,入院治疗时间在2021.06~2022.12,入选患者共100例,均接受X线检查、基于深度学习X线检查模型。使用Lauge-Hansen分型对踝关节骨折患者进行骨折分型,观察并对比深度学习X线检查模型的预测结果与术中分型结果。将术中分型结果作为参照标准,统计深度学习X线检查模型对踝关节骨折及分型的灵敏度、特异度、阳性预测值及阴性预测值。结果 在踝关节骨折检出率上,术中分型与深度学习X线检查模型对比存在差异(P<0.05);在PAB、PER、SAB及SER的检出率上,术中分型与深度学习X线检查模型对比无显著差异(P>0.05)。深度学习X线检查模型踝关节骨折的灵敏度、特异度、阳性预测值、阴性预测值分别为93.94%、100.00%、100.00%、14.29%,PAB分别为95.00%、98.75%、95.00%、98.75%,PER分别为92.59%、98.63%、96.15%、97.30%,SAB分别为93.33%、96.47%、82.35%、98.80%,SER分别为94.59%、98.41%、97.22%、96.88%。结论 基于深度学习X线检查模型用于踝关节骨折的效果显著,可快速对骨折分型,提高诊断的灵敏度和特异度,为踝关节骨折的诊断分型及后续治疗方案的制定提供参考,临床可进一步推广应用。

基于多种模型的流量预测研究

6G是下一代无线通信网络的发展方向,6G网络要求更高的峰值数据速率、移动性和更无处不在的智能连接。由于不同的场景和业务需要不同的网络切片(Network Slicing)承载,网络的性能指标各异,对各种资源的需求量也不尽相同,因此需要对网络流量在时间和空间上进行预测。对时空流量建模,并提出了3种以深度学习为基础的流量预测方法:基于深度学习的时空数据预测模型(DeepST)、残差网络(ResNet)模型和卷积长短期记忆网络模型(ConvLSTM),针对每种模型的应用场景和优劣予以研究陈述,在此基础上完成模型的有效性验证和比较;最后,仿真验证。仿真结果表明,基于ResNet的流量预测模型预测效果更佳。

基于多模型深度特征集成的水声目标识别方法

基于深度学习的水声目标识别算法表现出强大的数据分布拟合能力,已经成为研究重点和热点。深度模型的拟合能力与其复杂度正相关,但过于复杂的模型会显著增加计算成本。综合考虑识别性能以及计算成本,提出了基于多模型深度特征集成的水声目标识别方法。首先利用预训练好的深层模型提取深度特征,再利用特征压缩和集成方法将深度特征融合到浅层模型中,通过改变集成的深度特征维度构建多个深度特征集成模型作为子模型,最后多个子模型通过加权投票实现目标识别。实验结果表明,提出方法的平均正确识别率比对比方法提高了0.37%~5.46%,同时参数量仅为Xception的1/34。

CT增强扫描背景下bone与standard图像算法对DL-CAD诊断肺结节良恶性效能的影响

目的:探究CT增强扫描背景下bone与standard图像算法对基于深度学习的智能辅助软件(DL-CAD)诊断肺结节良恶性效能的影响。方法:回顾分析98例于2020年1月至2022年9月本院收治的肺结节患者,将其CT增强扫描背景下bone图像算法、standard图像算法、bone图像算法联合standard图像算法的诊断结果与金标准“病理检查”诊断结果做一致性分析。结果:standard联合bon图像算法相较于bone图像算法及standard图像算法诊断肺结节良恶性的敏感度(0.867 vs 0.816 vs 0.786)、特异度(0.927 vs 0.878 vs 0.829)、准确率(0.885 vs 0.835 vs 0.799)均更高。结论:bone图像算法相较于standard图像算法应用于基于DL-CAD的CT增强扫描中具有更好地诊断效能,二者联用效能最好。

计算语言学中语言知识生产范式的变迁

在计算语言学这门学科的发展过程中,语言知识的生产范式经历了四次大的变迁:基于规则的语言知识生产范式、基于统计的语言知识生产范式、基于深度学习与神经网络的语言知识生产范式、基于生成式人工智能的语言知识生产范式。本文详细地描述了这些语言知识生产范式的变迁过程。

基于街景影像多特征融合的广州市越秀区街道空间品质评估

全面准确地描述街景影像的多层次特征在基于街景影像对街道空间品质进行评估的研究中具有重要意义。以广州市越秀区为例,获取前后左右各视角街景影像中手工设计的特征(SURF特征、HOG特征)和基于深度学习的特征(语义特征),基于单一特征和多特征融合采用支持向量机(Support Vector Machine,SVM)、随机森林(Random Forest,RF)训练各视角的评估模型。结果表明,以基于SVM建立的单特征模型为例,基于HOG特征(73.03%)、语义特征(72.28%)的模型平均精度优于SURF特征(56.00%),基于SVM前后左右各视角模型的最优分类精度为82.8%(前)、81.7%(后)、76.6%(左)、76.6%(右),而基于RF各视角模型的最优分类精度为82.8%(前)、85.0%(后)、78.1%(左)、70.3%(右)。前后视角的模型精度略优于左右视角。各视角最优模型均为多特征融合模型,最优模型平均分类精度和Kappa系数可达80.6%和0.62。利用街景影像评估街道空间品质时,各算法之间性能差异微弱,而特征选择及组合方式是提升精度的关键。越秀区街道空间品质存在明显空间分异,其西南部的街道空间品质亟待提升。本研究构建了基于街景影像多特征融合的大规模高精度街道空间品质测度方法,实现了对越秀区街道空间品质的评估,研究结果可为相关部门进行街道环境综合整治提供参考。