基于U-Net多尺度和多维度特征融合的皮肤病变分割方法

针对皮肤病变区域尺度不同和形状不规则,传统U-Net网络方法缺乏从不同尺度分析目标的鲁棒性,并在提取图像高层语义特征时丢失部分空间上下文信息而影响后续分割精度等问题,提出一种基于U-Net多尺度和多维度特征融合的医学图像分割方法.首先,用空洞卷积融合不同尺度的空间上下文信息;其次,用通道上下文信息融合模块提取特征图各通道间的权重信息;最后,将特征图中的多尺度和多维度信息进行融合,以保留更多的空间上下文信息.实验结果表明,该方法在皮肤病变数据集上对皮肤病变区域进行分割的分割效果较好.

基于多维度特征融合的中文命名实体识别系统

现阶段的命名实体识别(Named entity recognition,NER)多依赖深度学习模型自动抽取文本特征,无法对文本中字词的特征进行融合,同时对于模型的错误预测结果也无法人工干预,只能通过优化模型参数和再次语料训练来解决。针对这样的问题,该文设计了整体的NER系统架构,同时提出了多维度特征融合的深度学习模型。该文在常规的长短期记忆模型(Long short term memory,LSTM)和条件随机场(Conditional random field,CRF)模型基础上,构建了新的神经网络结构,融入了多维度的字词特征。整个NER系统还引入了规则匹配,通过规则和深度学习的配合,将整体NER的F1值提升到96.2%。对比常规的LSTM+CRF模型,性能提升了近6%。

基于k-means聚类算法与多维特征融合的群体划分模型

常规群体划分模型构建方法主要采用二分均值算法,该方法易受到数据特征项贡献度的影响,使得模型的划分结果准确性较低。因此,提出基于k-means聚类算法与多维度特征融合的群体划分模型。利用k-means聚类算法通过合理设定密度阈值与邻域半径,提取用户群体的兴趣区域,在兴趣区域中选取贡献度较大的数据特征项,并计算特征项的权值,以此为依据,采用多维特征融合算法改进最大化目标函数,以此实现群体划分模型的构建。实验结果显示,利用所提方法构建的群体划分模型,能够得到较高的划分准确度。

基于FVC-CNN模型的野外车辆声信号分类

针对野外环境下单通道车辆声信号受风噪影响严重、分类性能较低的问题,提出一种基于声阵列4通道同步采集信号的一维卷积神经网络模型(FVC-CNN)。该模型借鉴注意力机制加权平均的思想对Inception网络结构进行改进,作为输入层有针对性地提取4通道声信号多个不同时间尺度的特征,抑制噪声干扰,再根据不同车辆声信号特征分布特点,分别训练3个特征提取网络SWNet、LWNet和TNet来提取相应车辆的特征,最后对提取的特征进行多分支多维度的融合以供分类。在相同数据集上进行验证,实验结果表明,FVC-CNN模型总识别率可达94.22%,相较于传统方法识别率提高14.08%,取得了较好的分类效果。

基于Fg-CarNet的车辆型号精细分类研究

车辆型号识别在智能交通系统、涉车刑侦案件侦破等方面具有十分重要的应用前景.针对车辆型号种类繁多、部分型号区分度小等带来的车辆型号精细分类困难的问题,采用车辆正脸图像为数据源,提出一种多分支多维度特征融合的卷积神经网络模型Fg-CarNet (Convolutional neural networks for car fine-grained classification, Fg-CarNet).该模型根据车正脸图像特征分布特点,将其分为上下两部分并行进行特征提取,并对网络中间层产生的特征进行两个维度的融合,以提取有区分度的特征,提高特征表达能力,通过使用小卷积核以及全局均值池化,使在网络分类准确度提高的同时降低了网络模型参数大小.在CompCars数据集上进行验证,实验结果表明, Fg-CarNet提取的车辆特征在保证网络模型参数最小的同时,车辆型号识别率达到最高,实现了最好的分类效果.

一种高精度LSTM-FC大气污染物浓度预测模型

大气污染已经严重影响到人们的生活和健康,大气治理势在必行,探究大气污染物浓度变化的规律,实现污染物浓度预测,对指导大气治理工作具有重要意义。文中构建了一种基于长短期记忆神经网络(Long Short-Term Memory,LSTM)和全连接神经网络(Full Connected,FC)的混合神经网络模型,并提出了数据桶划分的训练方式来解决由于训练数据与预测数据存在较长时间间隔导致精度下降的问题,进而实现大气污染物浓度的预测。该模型具有较好的通用性和精度,充分结合了长短期记忆神经网络和全连接神经网络的优点,能够在多种污染物数据上实现精确预测。以天津市2013-2019年大气污染物数据实现模型的训练和预测,结果表明,混合神经网络模型在PM_(2.5),PM_(10),NO_(2),SO_(2),O_(3),CO 6种污染物浓度的预测上均可以达到R2>0.90,平均百分误差小于15%的效果,LSTM-FC模型在大气污染物预测中具有明显的优势,具有较高的实用价值。