基于多阶段分类的科研项目申请书结构功能识别

科研项目申请书蕴含丰富的科学知识,被广泛用作科技情报分析的基础数据,其中重复检测、分析挖掘等智能处理工作需要在明晰申请书结构功能的前提下展开。因此,构建一种基于多阶段分类的科研项目申请书结构功能识别模型。首先,对申请书进行预处理,识别申请书的正文内容及其包含的多模态要素,并将文本段落规范化;之后,基于BiLSTM-Attention模型,依次区分申请书中的章节标题与正文文本,基于标题识别正文文本的一级功能,进而识别申请书的细粒度结构功能。实验结果显示,所提方法的准确率与召回率分别达到93.7%和93.1%,该方法能较好支撑科研项目申请书的结构化解析,也能为其他类型学术文本的结构功能识别提供参考。

基于对称性理论的医学图像多阶段分类算法

利用影像归档和通信系统收集的大量医学CT图像被广泛应用于临床诊断,从中提取的ROI区域和ROI区域的特征可以用来对医学CT图像进行分类,从而辅助医生提高诊断精度.医学图像的成像结果显示一张医学图像关于中垂线两侧近似对称.基于这一脑部医学领域知识的指导,文中提出了基于对称性理论的医学图像多阶段分类(Multi-Stage Classification,MSC)方法.首先,文中提出了弱对称性和强对称性的定义,从不同粒度对医学图像的对称性进行了描述;然后,给出了基于灰度直方图相交性的弱对称性判定算法,对医学图像在较粗粒度上进行了第1阶段的分类;接着,提出了基于点对称的强对称性判定算法,结合弱对称性判定算法,对第1阶段分类结果为异常的图像进行了更细粒度的第2阶段分类,定位了病变区域的位置;最后,利用对病变区域所提取的特征,对病变区域进行了第3阶段的分类,以达到辅助医生诊断的效果.实验结果表明,基于对称性理论的医学图像多阶段分类方法提高了医学图像分类的准确度,同时减少了医生诊断决策的时间.

基于对抗性弱化的多阶段钢材表面缺陷分类算法

针对钢材表面缺陷分类中缺陷特征类间差异小或类内差异大等难题,提出了一种多阶段钢材表面缺陷分类算法。首先,提出了一种基于图像拼接的数据预处理方法,在调整图像大小的同时保证了缺陷区域质量,增加了可识别的缺陷区域;然后,基于此预处理方法设计了一个多阶段分类网络来识别缺陷,网络中提出了一种基于对抗性弱化的缺陷区域挖掘模块,使得二阶段分类网络更侧重于一阶段分类网络未被注意的缺陷区域,从而计算得到更加完整的缺陷区域;最后,通过两阶段特征融合的方式得到网络的分类结果。此外,算法利用特征金字塔结构和通道-空间注意力机制设计了一种高效的特征提取网络用于各阶段分类网络实现高效的特征提取。在两个钢材缺陷数据集上进行了对比和消融实验,实验结果表明所提出的算法优于现有分类模型,同时在实际生产环境测试中也展示出良好的适用性。

基于近邻样本联合学习模型的疟疾识别算法

疟疾早期诊断可以有效防止疾病暴发.深度学习在细胞形态和组织图像检测等任务中具有出色能力.已有许多基于深度学习的疟疾研究,但它们主要用于环状体和红细胞二分类.本文首次研究疟疾多阶段识别,并提出近邻样本联合学习(neighbor sample joint learning,NSJL)模型.NSJL包括卷积神经网络(convolutional neural network,CNN)特征学习、领域相关性挖掘和图特征嵌入.它提取CNN特征,并将其与K近邻(K-nearset neighbor,K-NN)建立的邻域图传入图卷积网络(graph convolutional network,GCN).为评估NSJL,将其与先进方法比较,结果表明NSJL模型可达92.50%准确率,92.84%精确度,92.50%召回率和92.52%F1分数,至少高于其他方法7%的准确率表明其优秀疟疾识别能力.