RPM-Net:融合多路注意和混洗的胸腔多器官分割算法

为了提高肿瘤周围健康器官分割的准确性,提出了基于U-Net结构,结合多路注意和像素混洗的网络模型:RPM-Net.网络使用融合转换残差模块,来捕获器官完整的空间背景.像素混洗模块作为上采样部分以得到高分辨率图像信息.在解码层使用多路注意融合模块,进一步提取器官的判别特征.在ISBI 2019 SegTHOR挑战赛中,对40个胸部多器官训练样本进行分割,以Dice系数和HD距离作为主要评判标准,该方法在测试样本中食道、心脏、气管和主动脉的Dice系数分别达到0.824 1、0.942 7、0.904 2和0.929 9,HD距离分别为0.401 1、0.176 1、0.224 7和0.271 6.实验结果表明:该算法在胸部多器官分割效果上更具竞争力.

多路数据融合在光伏电池组件监控系统中的应用研究

为了提高光伏电站的使用效率,根据光伏电站的特点,本文设计了一种基于无线传感器网络和多路数据融合技术的光伏电池组件监控系统。通过传感器节点采集单块电池组件的瞬间电压、电流和温度,并对这三类数据实现初级数据融合;然后将初级数据融合数据包通过由ZigBee协议实现的无线传感器网络传输到中心节点;中线节点对所有初级数据融合数据包实现二级数据融合并通过串口传输至服务器;服务器通过基于残差值的数据包解析算法分析各块电池组件的运行数据,以判断电池组件是否正常工作,为光伏电站的维护和管理提供有效的信息。

基于认知模拟的多路信息融合系统的研究

本文根据认知科学的理论 ,同时以神经科学、脑科学等学科的最新研究成果为指导 ,利用计算机科学、数学及工程科学的方法 ,提出了一种基于认知模拟的多路信息融合的新方法 .根据该方法开发的多路信息融合系统(MIFS) ,可以较好地模拟人类的感知。

基于多路特征融合和深度学习的露霜图像分类

针对基于特征变化进行露霜图像识别中特征提取难度较大的问题,提出一种基于多路特征融合和深度学习的露霜图像分类方法。利用传统的卷积神经网络对露霜图像进行分类;在ResNet-50模型基础上,通过增加浅层网络层到深层网络层的多个通路,将具有更强细节纹理信息的浅层特征和具有更明确语义分类信息的深层特征相结合,增强后续卷积运算的特征信息。在露霜自动化观测设备采集的图像集上测试,实验结果表明,该方法的分类准确率达到99. 2%。

基于信息融合的商品推荐算法设计与实现

在大数据时代,推荐系统提高了信息获取和分发的效率,但现有的推荐方法和效果还有很大的提升空间,需要更多的投入和研究。文章在召回阶段使用多路融合,融合后的列表对ItemCF算法和FM列表中的项目得分进行平均加权,使得模型在候选集数量N相同的情况下,获得了比单一召回方式更高的召回率。在排序阶段使用优化过的深度兴趣网络(Deep Interest Network,DIN)模型,对比其他模型,其曲线下面积(Area Under Curve,AUC)指标显著提升,验证了优化过的DIN模型性能的优越性。

多站点组网的实时遥测数据选定技术

在大空域远距离的多站点组网的实时遥测监控网络系统中,通过对多个遥测地面站的PCM数据进行同步处理、信号有效性分析、数据传输时延平衡等,实现了实时数据的最佳源选定和融合处理功能,经过实验室仿真和实际飞行试验应用证明,融合效果良好,确保了遥测数据优质、连续、稳定和可靠。