一种基于深度学习的多尺度深度网络的场景标注算法

针对场景标注中如何产生良好的内部视觉信息表达和有效利用上下文语义信息两个至关重要的问题,提出一种基于深度学习的多尺度深度网络监督模型。与传统多尺度方法不同,模型主要由两个深度卷积网络组成:首先网络考虑全局信息,提取大尺度图像低层特征;其次网络利用图像局部信息,结合低层特征获取一组稠密的、完备的图像特征,有效地捕获图像像素的纹理特征、颜色特征和上下文信息。对比许多经典方法,该算法不依赖图像分割技术和人工制作特征,在Stanford Background Dataset取得了很好的效果。

基于多尺度深度网络的自动睡眠分期

传统睡眠质量评估与诊断高度依赖医生的经验以及对长时间睡眠监测数据的分析统计,耗时耗力,且传统机器学习技术所实现的自动睡眠分期依赖人工构造的特征,在发掘深层次分期特征上效果有限,对部分分期的辨识效果欠佳。提出一种基于多尺度深度网络(MSDNet)的自动睡眠分期算法,能够自动分析提取睡眠信号特征,并基于不同睡眠阶段的分期难度进行相应的多尺度分析与判别。该算法可提前输出特征简单明确的W、N2、N3、REM等阶段的分类结果,然后让特征相对不够清晰的过渡阶段N1进入更深尺度的网络,利用更精细的特征数据以及更深的网络进行判别,能提高整体分类效率以及N1阶段的分类精度。在Sleep-EDFx数据集中,提取197组样本数据用于训练和测试,并在仅采用单通道EEG脑电信号的前提下,平均分类精度达到0.83,Kappa值为0.749,N1阶段的F1-score达到0.51,较传统机器学习算法以及多种深度网络,提高了整体分类精度,特别是N1阶段精度,且计算量没有显著增加,适于自动化实时分析。

融合注意力机制的多尺度深度网络的逆半调方法

目的运用现有的逆半调方法恢复的图像存在着半色调网纹去除不够理想、图像细节恢复不够清晰等问题,为了进一步提高逆半调图像在平滑区域和纹理细节方面的质量,提出一种基于融合注意力机制的多尺度卷积神经网络的逆半调方法。方法首先,根据半色调图像网点噪声多频分布特点,设计多尺度卷积网络为基础结构的深度学习网络,从多个不同的尺度抑制半色调网纹并恢复不同尺度的图像信息;然后,应用注意力机制重建图像信息,从而生成逆半调图像;最后,提出多任务损失函数加速网络优化,更好地实现逆半调。结果实验结果表明,运用此方法得到的逆半调图像在视觉上与原始图像更为相近,恢复出的图像细节更好;在客观评价方面,通过与现有的最先进的方法相比,峰值信噪比平均值提高了0.562~10.095 dB,结构相似度平均值提高了0.01~0.171。结论该方法可以实现半色调图像的高质量恢复。

基于多尺度深度图自适应融合的单目深度估计

深度估计网络通常具有较多的网络层数,图像特征在网络编码和解码过程中会丢失大量信息,因此预测的深度图缺乏对象结构细节且边缘轮廓不清晰。本文提出了一种基于多尺度深度图自适应融合的单目深度估计方法,可有效保留对象的细节和几何轮廓。首先,引入压缩与激励残差网络(SE-ResNet),利用注意力机制对不同通道的特征进行编码,从而保留远距离平面深度图的更多细节信息。然后,利用多尺度特征融合网络,融合不同尺度的特征图,得到具有丰富几何特征和语义信息的特征图。最后,利用多尺度自适应深度融合网络为不同尺度特征图生成的深度图添加可学习的权重参数,对不同尺度的深度图进行自适应融合,增加了预测深度图中的目标信息。本文方法在NYU Depth V2数据集上预测的深度图具有更高的准确度和丰富的物体信息,绝对相对误差为0.115,均方根误差为0.525,精确度最高达到99.3%。

室上性心动过速机制的智能分类模型:基于十二导联穿戴式心电设备

目的基于十二导联穿戴式心电设备,探索室上性心动过速(SVT)机制鉴别的智能分类模型。方法选取356份SVT的穿戴式心电图,通过五折交叉验证的方式随机分为训练集、验证集建立智能分类模型,选取2021年10月~2023年3月诊断为SVT并行电生理检查及射频消融术的患者共101例作为测试集。对比心动过速诱发前后的心电图参数改变,基于多尺度深度神经网络,并加入窦性心律对比图增强训练,建立SVT机制分类的智能分类模型并验证诊断效能。进一步提取II,III,V1三导联心电信号建立分类模型,并对比其与十二导联智能分类模型的效能。结果101例测试集中68例为房室结折返性心动过速,33例为房室折返性心动过速。预训练模型在验证集中识别房室结折返性心动过速的最高精确率-召回率曲线下面积达到0.9492,F1评分为0.8195。最终II导联,III导联,V1导联,三导联与十二导联智能分类模型于测试集中的总F1评分分别为0.5597,0.6061,0.3419,0.6003与0.6136。对比十二导联,III导联的净重新分类指数与综合判别改善指数分别为-0.029(P=0.714)与-0.005(P=0.817)。结论基于多尺度深度神经网络,初步建立了穿戴式心电图对SVT机制分类的智能分类模型,并具有一定的准确性。

一种基于MSDCNN-LSTM的设备RUL预测方法

针对设备剩余使用寿命(RUL)预测过程中数据维度高,时间序列相关性信息难以充分考虑的实际应用需求,提出一种多尺度深度卷积神经网络和长短时记忆网络融合(multi-scale deep convolutional neural network and long short-term memory,MSDCNN-LSTM)的设备剩余寿命预测方法。对传感器数据进行标准化和滑动时间窗口处理得到输入样本;采用基于多尺度深度卷积神经网络(MSDCNN)提取空间详细特征,采用长短时记忆网络(LSTM)提取时间相关性特征以进行有效的预测。基于商用模块化航空推进系统仿真数据集的实验表明,相较于其他最新方法,文中提出的方法取得了较好的预测结果,尤其是对于故障模式和运行条件复杂的设备寿命预测需求,该方法效果明显。