基于多任务学习的间质性肺病分割算法

间质性肺病(ILD)的分割标签标注成本极高,且现有数据集通常存在样本量较少的问题,导致训练的模型效果较差。针对该问题,提出一种基于多任务学习的ILD分割算法。首先,基于U-Net构建多任务分割模型;其次,使用生成的肺部分割标签作为辅助任务标签进行多任务学习;最后,使用一种自适应调整多任务损失函数权重的方法,平衡主任务和辅助任务的损失。在自构建的ILD数据集上的实验结果表明,多任务分割模型的Dice相似系数(DSC)达到了82.61%,与U-Net相比提升了2.26个百分点。验证了所提算法可以提升ILD的分割性能,协助临床医生进行ILD诊断。

基于CNN网络和多任务损失函数的实时叶片识别

针对传统叶片识别易受环境干扰,难以实现复杂背景下的多叶片实时识别问题,提出一种基于CNN网络和多任务损失函数的实时叶片识别方法。采用CNN网络提取叶片图像特征图,输入到RPN网络生成区域候选框;依据特征图和区域候选框,提取候选框特征图,分别进行叶片分类和边界框回归,预测叶片类别和叶片预测框的定位;利用多任务损失函数约束分类和回归,来提高叶片分类和回归的准确率和运算速度。实验结果表明,该方法的平均实时叶片识别准确率为91.8%,平均实时识别速度为25 fps。

信息迁移多任务优化共生生物搜索算法

针对现有共生生物搜索(SOS)算法只能求解单个任务,以及信息负迁移影响多任务优化(MTO)性能这两个难题,提出一个信息迁移多任务优化共生生物搜索(ITMTSOS)算法。首先基于多种群演化MTO框架,根据任务个数设置相应数量种群;然后各种群独立运行基本SOS算法,当某一种群连续若干代停滞进化时,引入个体自身最优经验和邻域最优个体以形成知识模块并将该模块迁移至该种群个体进化过程中;最后对ITMTSOS算法时间和空间复杂度进行分析。仿真实验结果表明,ITMTSOS算法同时求解多个不同形态高维函数时均能快速收敛至全局极值解0,与单任务SOS算法相比,平均运行时间最多缩短约25.25%;而在同时求解多维0/1背包问题和师生匹配问题时,所提算法在测试集weing1和weing7上的最优适应值与目前测试集公布的最优结果相比分别提高了22767和22602,师生最优匹配差和平均匹配差的绝对值分别下降了26和33,平均运行时间约缩短了7.69%。

信息交互多任务粒子群算法

不同于现有的云平台和并行计算机等多任务处理方式,文中充分挖掘粒子群算法(PSO)的“隐”并行性,引入2种不同的信息交互策略——种群内信息交互和种群间信息交互,同时引入等级因子、标量因子和技能因子参数,在算法每次迭代过程中,始终让最合适的个体求解最合适的任务,提出信息交互多任务粒子群算法(IEPSOM).对于多任务函数优化问题、多任务多约束工程优化问题及多任务关键指标体系构建问题的测试表明,在IEPSOM多任务环境中,有效信息的传递不仅可以提高解的质量,还可以加速各任务的收敛速度.

信息筛选多任务优化自组织迁移算法

针对现有自组织迁移算法(SOMA)只能求解单个优化问题及其"隐并行性"未能被充分挖掘的缺陷,提出信息筛选多任务优化自组织迁移算法(SOMAMIF)实现同一时刻处理多个优化问题。首先,构造多任务统一搜索空间,并根据任务个数设置相应的子种群;然后,对各子种群当前最优适应值进行判断,当任务连续若干代停滞进化时则产生信息交互需求;接着,按概率从剩余子种群中筛选对自己有用的信息并过滤无用信息,从而在保证信息正向迁移同时实现种群结构的重新调整;最后对算法的时间复杂度和空间复杂度进行分析。实验结果表明,SOMAMIF在同时求解多个高维函数优化问题时均快速收敛至全局最优解0,而SOMAMIF与分形技术相结合同时提取不同户籍高校学生返乡关键制约因素时,其在两个数据集上得到的平均分类准确率与原始数据集的平均分类准确率相比分别提高了0.348 66个百分点和0.598 57个百分点。

融合注意力特征的多任务肺结节检测和分割

针对CT图像肺结节检测和分割模型复杂且精度低的问题,提出一种端到端的融合注意力特征的多任务肺结节检测和分割算法。利用多任务模型对肺结节检测和分割进行建模,实现模型参数的共享和计算复杂度的降低;提出残差注意力特征融合模块融合尺度和语义不一致的特征,获取更加丰富的特征信息;采用自适应多任务损失函数,实现主任务和辅助任务损失权重的均衡。在LIDC-IDRI数据集上进行了详尽的实验,肺结节检测的CPM得分达到90.94%,肺结节分割的IoU和DSC分数分别为71.78%和80.89%,验证了算法的有效性。

复杂场景下自适应特征融合的多尺度船舶检测

受台风、大雾、雨雪等复杂天气以及遮挡、尺度变化等影响,现有船舶检测方法存在误检和漏检问题。针对上述复杂场景问题,在YOLOX-S模型的基础上,提出一种自适应特征融合的多尺度船舶检测方法。首先,在主干特征提取网络中引入特征增强模块,抑制复杂背景噪声对船舶特征提取的干扰;其次,考虑深浅层次特征融合比例问题,设计自适应特征融合模块,充分利用深浅层次特征,提高模型的多尺度船舶检测能力;最后,在检测头网络,将检测头解耦,并引入自适应的多任务损失函数,平衡分类任务和回归任务,提高船舶检测的鲁棒性。实验结果显示,所提方法在公开船舶检测数据集SeaShips和McShips上的检测平均精度均值(mAP)分别达到了97.43%和96.10%,检测速度达到每秒189帧,满足实时检测的要求,验证了所提方法在复杂场景下仍能对多尺度船舶目标实现高精度检测。

多特征融合的端到端链式行人多目标跟踪网络

目标检测、特征提取与数据关联作为多目标跟踪网络中重要的组件,独立或部分联合地发挥作用,这种组件分离的方法虽取得了良好的跟踪效果,但增加了跟踪网络的复杂性,影响了跟踪速度。为提升行人多目标跟踪速度及维持跟踪精度,提出一种端到端链式行人多目标跟踪网络。将目标检测、特征提取与数据关联集成到一个统一的框架中,将连续2帧图片组成一个节点作为输入,直接回归出节点之间相同目标的成对边界框,利用相邻节点之间公共帧的强相似性,仅使用交并比匹配进行数据关联,以提高跟踪速度。使用多特征融合的双向特征金字塔,并在金字塔网络中引用改进可变形卷积,提高模型对目标形变的适应性。为解决正负样本不平衡及梯度贡献的差异,将focal loss与BalancedL1 Loss组成多任务学习损失函数以促进网络的均衡学习。在MOT17数据集上的实验结果表明,与DeepSORT、TubeTK、CenterTrack等网络相比,该网络可有效实现跟踪速度与精度的平衡,多目标跟踪精度为69.6,跟踪速度保持为21.6 frame/s。

多线语音应用程序设计

介绍了事件驱动状态机的工作原理 ,在此基础上 。

基于锚框密集化与度量学习的多尺度人脸检测研究

本文针对基于单次多盒检测算法在检测小目标时性能不佳的问题,提出一种改进异构单次多盒网络的上下文语义辅助增强特征的人脸检测算法,包括借助于辅助的全卷积网络而构建的特征增强模块、度量函数设计以及针对小脸的锚框匹配密集化方法。首先,将固定大小的单比例图像作为输入,并以完全卷积的方式在两个异构CNN上输出按比例大小的特征图,特征图的增强模块通过自上而下和横向连接两个异构网络的原始特征图,得到上下文语义增强的特征金字塔;其次,根据异构网络的特征提取的互补性来等设计比例间隔并密集分布的锚框,通过改进的度量损失来端到端地训练整个网络。最后,对公开的WIDER FACE和FDDB数据集进行了实验,结果表明该方案获得了较好的人脸检测性能。

复杂场景下的SAR图像船舶目标检测

针对SAR图像中复杂场景下的船舶目标检测问题,提出一种将定位、分类和分割多任务结合一起的Mask-FPN模型,在金字塔特征映射图的基础上,同时引入图像分割分支,并通过多任务损失函数保证定位分类和分割三个过程同时进行.实验结果表明,本文提出的Mask-FNP模型在近海、港口、岛屿等存在干扰背景的复杂场景下,船舶识别准确率达98.81%.与Faster R-CNN、Yolo3、SSD、FPN等模型对比,本文模型检测准确率提高,虚警率和漏检率明显下降.